Hadoop中的一些基本操作

先粗略说一下“hadoop fs”和“hadoop dfs”的区别:fs是各比较抽象的层面,在分布式环境中,fs就是dfs,但在本地环境中,fs是local file system,这个时候dfs不可用。

1、列出HDFS文件:

hadoop fs –ls

a) –ls后面不跟任何内容的话是列出HDFS的"/user/用户名/"目录下的内容

b) 如果要列出某个文件夹中的内容,则-ls后面跟该文件夹的路径,例如列出input中的内容:

hadoop fs –ls input

2、在HDFS中创建文件夹:

hadoop fs –mkdir 文件夹的名字

例如:

hadoop fs –mkdir input

3、删除HDFS中的文件或文件夹

hadoop fs –rmr 文件夹名或者文件名

4、上传文件到HDFS:

hadoop fs –put ~/file test

将本机中的file文件上传到HDFS上并重命名为test。

如果要上传到某个文件夹中,则将test改为文件夹的地址,此时,上传的文件名称不会改变,例如将本地文件

夹test中的文件test1.txt,test2.txt,test3.txt上传到HDFS中的input中:

hadoop fs –put ~/test/test*.txt input

5、查看HDFS下的某个文件:

hadoop fs –cat 文件路径

例如查看input中的test文件的内容:

hadoop fs –cat input/test

6、将HDFS中的文件复制到本地系统中:

hadoop fs –get HDFS中的文件名本地系统中的文件名 本地存放地址

例如:将HDFS中的output文件复制到本地系统Documents文件夹中

hadoop fs –get output /home/kevin/Documents/

7、进入/退出安全模式

有时,在hadoop启动时不能对文件系统进行如创建文件,删除文件之类的操作,此时,文件系统所处的状 态叫做安全模式,用途大家可以到网上搜一搜,笔者不在这里赘述(由于笔者属于初学者,HDFS上的东西还不多,节点也不多,所以笔者一般开启Hadoop后,不管有没有在安全模式,先输退出安全模式的命令)。

在这里我还是要推荐下我自己建的大数据学习交流qq裙:522189307 , 裙 里都是学大数据开发的,如果你正在学习大数据 ,小编欢迎你加入,大家都是软件开发党,不定期分享干货(只有大数据开发相关的),包括我自己整理的一份最新的大数据进阶资料和高级开发教程,欢迎进阶中和进想深入大数据的小伙伴。上述资料加群可以领取

### Hadoop基本操作实验教程 #### 一、Hadoop环境搭建与配置 对于初次接触Hadoop的学习者来说,掌握其安装和配置至关重要。这不仅限于理解各个组件的功能及其相互作用,还包括实际的操作技能。具体而言,在单机模式下安装并配置Hadoop可以作为入门的第一步[^2]。 ```bash # 下载指定版本的Hadoop压缩包 wget https://archive.apache.org/dist/hadoop/common/hadoop-3.3.0/hadoop-3.3.0.tar.gz # 解压文件至目标路径 tar -zxvf hadoop-3.3.0.tar.gz -C /usr/local/ ``` #### 二、验证集群状态 成功部署之后,需确认所有节点均正常工作。可以通过启动服务命令来检验整个系统的健康状况: ```bash # 启动HDFS守护进程 sbin/start-dfs.sh # 查看当前运行的服务列表 jps ``` 如果一切顺利,则会看到NameNode, DataNode等相关进程正在执行中。 #### 三、编写并测试WordCount程序 为了进一步巩固理论知识的应用能力,建议尝试实现经典的MapReduce案例——单词统计(Word Count)[^1]。此过程不仅能帮助熟悉API调用方式,还能增强解决实际问题的信心。 ```java // WordCount.java import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.IntWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; public class WordCount { public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "word count"); job.setJarByClass(WordCount.class); job.setMapperClass(TokenizingMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(args[0])); FileOutputFormat.setOutputPath(job, new Path(args[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); } public static class TokenizingMapper extends Mapper<Object, Text, Text, IntWritable> { private final static IntWritable one = new IntWritable(1); private Text word = new Text(); @Override protected void map(Object key, Text value, Context context) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } } public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { private IntWritable result = new IntWritable(); @Override protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } result.set(sum); context.write(key, result); } } } ``` 编译上述Java代码,并将其提交给YARN集群以观察最终结果。 ---
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