HDFS读流程

客户端先与NameNode通信，获取block位置信息，之后线性地先取第一个块，然后接二连三地获取，取回一个块时会进行MD5验证，验证通过后会使read顺利进行完，当最终读完所有的block块之后，拼起来就是一个完整的源文件，数据本地化读取是分布式计算中计算向数据移动的一大特征，block块有偏移量和位置信息，HDFS分布式文件系统优化了读取性能，客户端会根据block的信息来分辨这些副本中，哪些副本距离客户端自身最近，那么本地、同机架、以及其他DataNode会是一个由近及远的排序，后面我们再分析MapReduce源代码的时候，会再进行分析这一优化特性。请先记住HDFS读流程的两个重要特性：

（1）           block信息的MD5验证

（2）           读取block时距离优先顺序的优化。

图1.8 HDFS读流程来自《Hadoop：The Definitive Guide》一书

读取文件的具体方式如下：

1. 从Hadoop URL读取数据

要从Hadoop文件系统中读取文件，最简单的方法是使用java.net.URl对象打开数据流，从中读取文件。但是，如何让java程序能够识别Hadoop的hdfs URL呢？这里采用的方法是通过调用java.net.URL对象的setURLStreamHandlerFactory方法，方法中传入FsUrlStreamHandlerFactory的一个实例，就可以让java程序可以识别hadoop的hdfs URL。每个java虚拟机只能调用一次这个setURLStreamHandlerFactory方法，因此通常将其卸载静态方法中。

示例程序：在hdfs中存在着/install.log，

public class test {

static {

           URL.setURLStreamHandlerFactory(new FsUrlStreamHandlerFactory());

      }

      @Test

      public void readByUrl() {

           InputStream in = null;

           try {

                 in = new URL("hdfs://node1:9000/install.log").openStream();

           } catch (IOException e) {

           }finally{

           IOUtils.closeStream(in);

           }

      }

}

连不上集群。需要将core-site和hdfs-site放入到src目录下。

2.通过FileSysem API读取数据

正如前一小节所解释，有时不可能在应用程序中设置URLStreamhandlerFactory实例，这种情况下，需要用到FileSystem API来打开一个文件的输入流。Hadoop文件系统中通过Hadoop Path对象来代表文件。FileSystem是一个通用的文件系统API，这个类第一步是检索我们需要使用的文件系统实例，这里是HDFS。利用FileSystem.get()获取FilsSystem实例。Configuration对象封装了客户端或服务器的配置，一般讲hdfs的配置文件（将core-site.xml和hdft-site.xml放到项目的src目录下，configuration实例化的时候就会自动获取）。具体代码如下。

示例程序：在hdfs中存在着/install.log，

@Test

public void readByFileSystem() throws Exception{

String Url = "hdfs://node1:9000/install.log";

//FileSystem fs = FileSystem.get(URI.create(Url), conf);

      Configuration conf = new Configuration();

FileSystem fs = FileSystem.get(conf);

InputStream in = null;

in = fs.open(new Path(Url));

IOUtils.copyBytes(in, System.out, 4096,true);

}