拉取hadoop集群上的hdfs文件

本文介绍了如何利用Apache Hadoop的API来实现从Hadoop集群中拉取HDFS文件,同时提到了因Hadoop包依赖繁多可能导致的排包问题。
摘要由CSDN通过智能技术生成

从hadoop集群拉取hdfs文件是一个常见的需求,基于org.apache.hadoop即可做到。

但是hadoop包有个明显的缺点是引用太多,经常需要排包,包括但不限于httpclient,servlet,slf4j,tomcat等等


@Service
public class HdfsClient{

    private static final Logger logger = LoggerFactory.getLogger(HdfsClient.class);
    private FileSystem fileSystem;
    private Configuration conf;

    public synchronized void init() throws Exception {

        String proxy = "x.x.x.x:x";
        String username = "xxx";
        boolean useProxy = false;

        conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://argo");
        conf.set("dfs.web.ugi", "hdfs,hadoop");
        conf.set("dfs.nameservices", "argo");
        conf.set("dfs.ha.namenodes.argo", "nn1,nn2");
        conf.set("dfs.namenode.rpc-address.argo.nn1", "xxx:x");
        conf.
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要将HDFS集群中的数据拉取到Kafka topic中,可以使用Kafka Connect来实现。Kafka Connect是Kafka的一个开源工具,用于连接Kafka和其他数据源,包括HDFS、JDBC、Elasticsearch等。 以下是将HDFS中的数据拉取到Kafka topic的操作步骤: 1. 安装Kafka Connect:可以从Kafka官网上下载和安装Kafka Connect。安装完成后,需要配置Kafka Connect的配置文件,包括Kafka集群的地址、连接器的配置等。 2. 安装HDFS连接器:Kafka Connect提供了一个HDFS连接器,用于连接HDFS和Kafka。可以从Kafka官网上下载和安装HDFS连接器,并将其添加到Kafka Connect的插件目录中。 3. 配置HDFS连接器:需要在Kafka Connect的配置文件中配置HDFS连接器的参数,包括HDFS集群的地址、HDFS文件的路径、Kafka topic的名称等。 4. 启动Kafka Connect:启动Kafka Connect后,它会自动加载HDFS连接器,并根据配置的参数从HDFS中读取数据,并将数据发送到指定的Kafka topic中。 下面是一个使用HDFS连接器将HDFS中的数据拉取到Kafka topic的配置示例: ```ini # Kafka Connect的配置文件 bootstrap.servers=localhost:9092 # HDFS连接器的配置 key.converter=org.apache.kafka.connect.storage.StringConverter value.converter=org.apache.kafka.connect.storage.StringConverter key.converter.schemas.enable=false value.converter.schemas.enable=false connector.class=io.confluent.connect.hdfs.HdfsSinkConnector topics=hdfs-topic tasks.max=1 hdfs.url=hdfs://localhost:9000 flush.size=3 rotate.interval.ms=60000 logs.dir=/usr/local/kafka-connect/logs hadoop.home=/usr/local/hadoop format.class=io.confluent.connect.hdfs.parquet.ParquetFormat schema.compatibility=NONE ``` 在这个配置文件中,我们首先指定了Kafka集群的地址,然后配置了HDFS连接器的参数,包括数据的序列化器、Kafka topic的名称、HDFS集群的地址、HDFS文件的路径等。其中,flush.size和rotate.interval.ms参数用于控制数据的写入频率和文件的切换频率,logs.dir参数用于指定日志文件的存储路径,hadoop.home参数用于指定Hadoop的安装路径,format.class参数用于指定数据的格式(这里使用了Parquet格式),schema.compatibility参数用于指定数据的模式兼容性。 启动Kafka Connect后,它会自动加载HDFS连接器,并从HDFS中读取数据,并将数据发送到指定的Kafka topic中。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值