07节、HDFS详解

最新推荐文章于 2023-04-17 19:13:16 发布

old_小书童

最新推荐文章于 2023-04-17 19:13:16 发布

阅读量200

点赞数

分类专栏：大数据学习

本文链接：https://blog.youkuaiyun.com/ieiqny1/article/details/85018791

版权

大数据学习专栏收录该内容

23 篇文章

订阅专栏

示例代码下载https://download.youkuaiyun.com/download/ieiqny1/10853073

HDFS前言
 设计思想
分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；

 在大数据系统中作用：
为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务

 重点概念：文件切块，副本存放，元数据

2. HDFS的概念和特性
首先，它是一个文件系统，用于存储文件，通过统一的命名空间——目录树来定位文件

其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色；

重要特性如下：
（1）HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M

（2）HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data

（3）目录结构及文件分块信息(元数据)的管理由namenode节点承担
——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）

（4）文件的各个block的存储管理由datanode节点承担
---- datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）

（5）HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改

来做网盘应用，因为，不便修改，延迟大，网络开销大，成本太高)
******HDFS基本操作篇******
3. HDFS的shell(命令行客户端)操作
3.1 HDFS命令行客户端使用
HDFS提供shell命令行客户端，使用方法如下：

3.2 命令行客户端支持的命令参数
[-appendToFile <localsrc> ... <dst>]
[-cat [-ignoreCrc] <src> ...]
[-checksum <src> ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] <localsrc> ... <dst>]
[-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-count [-q] <path> ...]
[-cp [-f] [-p] <src> ... <dst>]
[-createSnapshot <snapshotDir> [<snapshotName>]]
[-deleteSnapshot <snapshotDir> <snapshotName>]
[-df [-h] [<path> ...]]
[-du [-s] [-h] <path> ...]
[-expunge]
[-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-getfacl [-R] <path>]
[-getmerge [-nl] <src> <localdst>]
[-help [cmd ...]]
[-ls [-d] [-h] [-R] [<path> ...]]
[-mkdir [-p] <path> ...]
[-moveFromLocal <localsrc> ... <dst>]
[-moveToLocal <src> <localdst>]
[-mv <src> ... <dst>]
[-put [-f] [-p] <localsrc> ... <dst>]
[-renameSnapshot <snapshotDir> <oldName> <newName>]
[-rm [-f] [-r|-R] [-skipTrash] <src> ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
[-setrep [-R] [-w] <rep> <path> ...]
[-stat [format] <path> ...]
[-tail [-f] <file>]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src> ...]
[-touchz <path> ...]
[-usage [cmd ...]]

3.2 常用命令参数介绍
   -help
   功能：输出这个命令参数手册
   -ls
   功能：显示目录信息
   示例： hadoop fs -ls hdfs://hadoop-server01:9000/
   备注：这些参数中，所有的hdfs路径都可以简写
   -->hadoop fs -ls / 等同于上一条命令的效果
   -mkdir
   功能：在hdfs上创建目录
   示例：hadoop fs -mkdir -p /aaa/bbb/cc/dd
   -moveFromLocal
   功能：从本地剪切粘贴到hdfs
   示例：hadoop fs - moveFromLocal /home/hadoop/a.txt /aaa/bbb/cc/dd
   -moveToLocal
   功能：从hdfs剪切粘贴到本地
   示例：hadoop fs - moveToLocal /aaa/bbb/cc/dd /home/hadoop/a.txt
   --appendToFile
   功能：追加一个文件到已经存在的文件末尾
   示例：hadoop fs -appendToFile ./hello.txt hdfs://hadoop-server01:9000/hello.txt
   可以简写为：
   Hadoop fs -appendToFile ./hello.txt /hello.txt

   -cat
   功能：显示文件内容
   示例：hadoop fs -cat /hello.txt

   -tail
   功能：显示一个文件的末尾
   示例：hadoop fs -tail /weblog/access_log.1
   -text
   功能：以字符形式打印一个文件的内容
   示例：hadoop fs -text /weblog/access_log.1
   -chgrp
   -chmod
   -chown
   功能：linux文件系统中的用法一样，对文件所属权限
   示例：
   hadoop fs -chmod 666 /hello.txt
   hadoop fs -chown someuser:somegrp /hello.txt
   -copyFromLocal
   功能：从本地文件系统中拷贝文件到hdfs路径去
   示例：hadoop fs -copyFromLocal ./jdk.tar.gz /aaa/
   -copyToLocal
   功能：从hdfs拷贝到本地
   示例：hadoop fs -copyToLocal /aaa/jdk.tar.gz
   -cp
   功能：从hdfs的一个路径拷贝hdfs的另一个路径
   示例： hadoop fs -cp /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2

   -mv
   功能：在hdfs目录中移动文件
   示例： hadoop fs -mv /aaa/jdk.tar.gz /
   -get
   功能：等同于copyToLocal，就是从hdfs下载文件到本地
   示例：hadoop fs -get /aaa/jdk.tar.gz
   -getmerge
   功能：合并下载多个文件
   示例：比如hdfs的目录 /aaa/下有多个文件:log.1, log.2,log.3,...
   hadoop fs -getmerge /aaa/log.* ./log.sum
   -put
   功能：等同于copyFromLocal
   示例：hadoop fs -put /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2

   -rm
   功能：删除文件或文件夹
   示例：hadoop fs -rm -r /aaa/bbb/

   -rmdir
   功能：删除空目录
   示例：hadoop fs -rmdir /aaa/bbb/ccc
   -df
   功能：统计文件系统的可用空间信息
   示例：hadoop fs -df -h /

   -du
   功能：统计文件夹的大小信息
   示例：
   hadoop fs -du -s -h /aaa/*

   -count
   功能：统计一个指定目录下的文件节点数量
   示例：hadoop fs -count /aaa/

   -setrep
   功能：设置hdfs中文件的副本数量
   示例：hadoop fs -setrep 3 /aaa/jdk.tar.gz
   <这里设置的副本数只是记录在namenode的元数据中，是否真的会有这么多副本，还得看datanode的数量>

******HDFS原理篇******
4. hdfs的工作机制
（工作机制的学习主要是为加深对分布式系统的理解，以及增强遇到各种问题时的分析解决能力，形成一定的集群运维能力）

   注：很多不是真正理解hadoop技术体系的人会常常觉得HDFS可用于网盘类应用，但实际并非如此。要想将技术准确用在恰当的地方，必须对技术有深刻的理解
   4.1 概述
   1.   HDFS集群分为两大角色：NameNode、DataNode
   2.   NameNode负责管理整个文件系统的元数据
   3.   DataNode 负责管理用户的文件数据块
   4.   文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上
   5.   每一个文件块可以有多个副本，并存放在不同的datanode上
   6.   Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量
   7.   HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行

4.2 HDFS写数据流程
4.2.1 概述
   客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本
4.2.2 详细步骤图

4.2.3 详细步骤解析
   1、根namenode通信请求上传文件，namenode检查目标文件是否已存在，父目录是否存在
   2、namenode返回是否可以上传
   3、client请求第一个 block该传输到哪些datanode服务器上
   4、namenode返回3个datanode服务器ABC
   5、client请求3台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完成，逐级返回客户端
   6、client开始往A上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答
   7、当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。
4.3. HDFS读数据流程
4.3.1 概述
   客户端将要读取的文件路径发送给namenode，namenode获取文件的元信息（主要是block的存放位置信息）返回给客户端，客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件

4.3.2 详细步骤图

4.3.3 详细步骤解析
   1、跟namenode通信查询元数据，找到文件块所在的datanode服务器
   2、挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流
   3、datanode开始发送数据（从磁盘里面读取数据放入流，以packet为单位来做校验）
   4、客户端以packet为单位接收，现在本地缓存，然后写入目标文件

5. NAMENODE工作机制
学习目标：理解namenode的工作机制尤其是元数据管理机制，以增强对HDFS工作原理的理解，及培养hadoop集群运营中“性能调优”、“namenode”故障问题的分析解决能力

问题场景：
   1、集群启动后，可以查看文件，但是上传文件时报错，打开web页面可看到namenode正处于safemode状态，怎么处理？
   2、Namenode服务器的磁盘故障导致namenode宕机，如何挽救集群及数据？
   3、Namenode是否可以有多个？namenode内存要配置多大？namenode跟集群数据存储能力有关系吗？
   4、文件的blocksize究竟调大好还是调小好？
   ……

诸如此类问题的回答，都需要基于对namenode自身的工作原理的深刻理解

5.1 NAMENODE职责
       NAMENODE职责：
       负责客户端请求的响应
       元数据的管理（查询，修改）
   5.2 元数据管理
       namenode对数据的管理采用了三种存储形式：
       内存元数据(NameSystem)
       磁盘元数据镜像文件
       数据操作日志文件（可通过日志运算出元数据）
   5.2.1 元数据存储机制
       A、内存中有一份完整的元数据(内存meta data)
       B、磁盘有一个“准完整”的元数据镜像（fsimage）文件(在namenode的工作目录中)
       C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志（edits文件）注：当客户端对hdfs中的文件进行新增或者修改操作，操作记录首先被记入edits日志文件中，当客户端操作成功后，相应的元数据会更新到内存meta.data中
   5.2.2 元数据手动查看
       可以通过hdfs的一个工具来查看edits中的信息
       bin/hdfs oev -i edits -o edits.xml
       bin/hdfs oiv -i fsimage_0000000000000000087 -p XML -o fsimage.xml
   5.2.3 元数据的checkpoint
       每隔一段时间，会由secondary namenode将namenode上积累的所有edits和一个最新的fsimage下载到本地，并加载到内存进行merge（这个过程称为checkpoint）

checkpoint的详细过程

   checkpoint操作的触发条件配置参数
   dfs.namenode.checkpoint.check.period=60 #检查触发条件是否满足的频率，60秒
   dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary
   #以上两个参数做checkpoint操作时，secondary namenode的本地工作目录
   dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir}

   dfs.namenode.checkpoint.max-retries=3 #最大重试次数
   dfs.namenode.checkpoint.period=3600 #两次checkpoint之间的时间间隔3600秒
   dfs.namenode.checkpoint.txns=1000000 #两次checkpoint之间最大的操作记录
   checkpoint的附带作用
   namenode和secondary namenode的工作目录存储结构完全相同，所以，当namenode故障退出需要重新恢复时，可以从secondary namenode的工作目录中将fsimage拷贝到namenode的工作目录，以恢复namenode的元数据

6. DATANODE的工作机制
问题场景：
   1、集群容量不够，怎么扩容？
   2、如果有一些datanode宕机，该怎么办？
   3、datanode明明已启动，但是集群中的可用datanode列表中就是没有，怎么办？

以上这类问题的解答，有赖于对datanode工作机制的深刻理解
6.1 概述
   1、Datanode工作职责：
   存储管理用户的文件块数据
   定期向namenode汇报自身所持有的block信息（通过心跳信息上报）
   （这点很重要，因为，当集群中发生某些block副本失效时，集群如何恢复block初始副本数量的问题）

   <property>
       <name>dfs.blockreport.intervalMsec</name>
       <value>3600000</value>
       <description>Determines block reporting interval in milliseconds.</description>
   </property>

   2、Datanode掉线判断时限参数
   datanode进程死亡或者网络故障造成datanode无法与namenode通信，namenode不会立即把该节点判定为死亡，要经过一段时间，这段时间暂称作超时时长。HDFS默认的超时时长为10分钟+30秒。如果定义超时时间为timeout，则超时时长的计算公式为：
       timeout = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval。
       而默认的heartbeat.recheck.interval 大小为5分钟，dfs.heartbeat.interval默认为3秒。
       需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒，dfs.heartbeat.interval的单位为秒。所以，举个例子，如果heartbeat.recheck.interval设置为5000（毫秒），dfs.heartbeat.interval设置为3（秒，默认），则总的超时时间为40秒。

<property>
<name>heartbeat.recheck.interval</name>
<value>2000</value>
</property>
<property>
<name>dfs.heartbeat.interval</name>
<value>1</value>
</property>

6.2 观察验证DATANODE功能
上传一个文件，观察文件的block具体的物理存放情况：

在每一台datanode机器上的这个目录中能找到文件的切块：
/home/hadoop/app/hadoop-2.4.1/tmp/dfs/data/current/BP-193442119-192.168.2.120-1432457733977/current/finalized

******HDFS应用开发篇******
7. HDFS的java操作
   hdfs在生产应用中主要是客户端的开发，其核心步骤是从hdfs提供的api中构造一个HDFS的访问客户端对象，然后通过该客户端对象操作（增删改查）HDFS上的文件
7.1 搭建开发环境
1、引入依赖
   <dependency>
       <groupId>org.apache.hadoop</groupId>
       <artifactId>hadoop-client</artifactId>
       <version>2.6.1</version>
   </dependency>

   注：如需手动引入jar包，hdfs的jar包----hadoop的安装目录的share下
2、window下开发的说明
   建议在linux下进行hadoop应用的开发，不会存在兼容性问题。如在window上做客户端应用开发，需要设置以下环境：
   A、在windows的某个目录下解压一个hadoop的安装包
   B、将安装包下的lib和bin目录用对应windows版本平台编译的本地库替换
   C、在window系统中配置HADOOP_HOME指向你解压的安装包
   D、在windows系统的path变量中加入hadoop的bin目录
7.2 获取api中的客户端对象
   在java中操作hdfs，首先要获得一个客户端实例
   Configuration conf = new Configuration()
   FileSystem fs = FileSystem.get(conf)

   而我们的操作目标是HDFS，所以获取到的fs对象应该是DistributedFileSystem的实例；
   get方法是从何处判断具体实例化那种客户端类呢？
   ——从conf中的一个参数 fs.defaultFS的配置值判断；

如果我们的代码中没有指定fs.defaultFS，并且工程classpath下也没有给定相应的配置，conf中的默认值就来自于hadoop的jar包中的core-default.xml，默认值为： file:///，则获取的将不是一个DistributedFileSystem的实例，而是一个本地文件系统的客户端对象

7.3 DistributedFileSystem实例对象所具备的方法

7.4 HDFS客户端操作数据代码示例：
7.4.1 文件的增删改查
public class HdfsClient {

FileSystem fs = null;

@Before
public void init() throws Exception {

       // 构造一个配置参数对象，设置一个参数：我们要访问的hdfs的URI
       // 从而FileSystem.get()方法就知道应该是去构造一个访问hdfs文件系统的客户端，以及hdfs的访问地址
       // new Configuration();的时候，它就会去加载jar包中的hdfs-default.xml
       // 然后再加载classpath下的hdfs-site.xml
       Configuration conf = new Configuration();
       conf.set("fs.defaultFS", "hdfs://hdp-node01:9000");
       /**
       * 参数优先级： 1、客户端代码中设置的值 2、classpath下的用户自定义配置文件 3、然后是服务器的默认配置
       */
       conf.set("dfs.replication", "3");

// 获取一个hdfs的访问客户端，根据参数，这个实例应该是DistributedFileSystem的实例
// fs = FileSystem.get(conf);

// 如果这样去获取，那conf里面就可以不要配"fs.defaultFS"参数，而且，这个客户端的身份标识已经是hadoop用户
fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");

}

   /**
   * 往hdfs上传文件
   *
   * @throws Exception
   */
   @Test
   public void testAddFileToHdfs() throws Exception {

       // 要上传的文件所在的本地路径
       Path src = new Path("g:/redis-recommend.zip");
       // 要上传到hdfs的目标路径
       Path dst = new Path("/aaa");
       fs.copyFromLocalFile(src, dst);
       fs.close();
   }

   /**
   * 从hdfs中复制文件到本地文件系统
   *
   * @throws IOException
   * @throws IllegalArgumentException
   */
   @Test
   public void testDownloadFileToLocal() throws IllegalArgumentException, IOException {
       fs.copyToLocalFile(new Path("/jdk-7u65-linux-i586.tar.gz"), new Path("d:/"));
       fs.close();
   }

@Test
public void testMkdirAndDeleteAndRename() throws IllegalArgumentException, IOException {

// 创建目录
fs.mkdirs(new Path("/a1/b1/c1"));

// 删除文件夹，如果是非空文件夹，参数2必须给值true
fs.delete(new Path("/aaa"), true);

// 重命名文件或文件夹
fs.rename(new Path("/a1"), new Path("/a2"));

}

   /**
   * 查看目录信息，只显示文件
   *
   * @throws IOException
   * @throws IllegalArgumentException
   * @throws FileNotFoundException
   */
   @Test
   public void testListFiles() throws FileNotFoundException, IllegalArgumentException, IOException {

// 思考：为什么返回迭代器，而不是List之类的容器
RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);

       while (listFiles.hasNext()) {
           LocatedFileStatus fileStatus = listFiles.next();
           System.out.println(fileStatus.getPath().getName());
           System.out.println(fileStatus.getBlockSize());
           System.out.println(fileStatus.getPermission());
           System.out.println(fileStatus.getLen());
           BlockLocation[] blockLocations = fileStatus.getBlockLocations();
           for (BlockLocation bl : blockLocations) {
               System.out.println("block-length:" + bl.getLength() + "--" + "block-offset:" + bl.getOffset());
               String[] hosts = bl.getHosts();
               for (String host : hosts) {
                   System.out.println(host);
               }
           }
           System.out.println("--------------为angelababy打印的分割线--------------");
       }
   }

   /**
   * 查看文件及文件夹信息
   *
   * @throws IOException
   * @throws IllegalArgumentException
   * @throws FileNotFoundException
   */
   @Test
   public void testListAll() throws FileNotFoundException, IllegalArgumentException, IOException {

FileStatus[] listStatus = fs.listStatus(new Path("/"));

       String flag = "d-- ";
       for (FileStatus fstatus : listStatus) {
           if (fstatus.isFile()) flag = "f-- ";
           System.out.println(flag + fstatus.getPath().getName());
       }
   }
}

7.4.2 通过流的方式访问hdfs
/**
* 相对那些封装好的方法而言的更底层一些的操作方式
* 上层那些mapreduce spark等运算框架，去hdfs中获取数据的时候，就是调的这种底层的api
* @author
*
*/
public class StreamAccess {

FileSystem fs = null;

@Before
public void init() throws Exception {

Configuration conf = new Configuration();
fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");

   }



   @Test
   public void testDownLoadFileToLocal() throws IllegalArgumentException, IOException{

       //先获取一个文件的输入流----针对hdfs上的
       FSDataInputStream in = fs.open(new Path("/jdk-7u65-linux-i586.tar.gz"));

       //再构造一个文件的输出流----针对本地的
       FileOutputStream out = new FileOutputStream(new File("c:/jdk.tar.gz"));

       //再将输入流中数据传输到输出流
       IOUtils.copyBytes(in, out, 4096);


   }


   /**
   * hdfs支持随机定位进行文件读取，而且可以方便地读取指定长度
   * 用于上层分布式运算框架并发处理数据
   * @throws IllegalArgumentException
   * @throws IOException
   */
   @Test
   public void testRandomAccess() throws IllegalArgumentException, IOException{
       //先获取一个文件的输入流----针对hdfs上的
       FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));


       //可以将流的起始偏移量进行自定义
       in.seek(22);

       //再构造一个文件的输出流----针对本地的
       FileOutputStream out = new FileOutputStream(new File("c:/iloveyou.line.2.txt"));

       IOUtils.copyBytes(in,out,19L,true);

   }



   /**
   * 显示hdfs上文件的内容
   * @throws IOException
   * @throws IllegalArgumentException
   */
   @Test
   public void testCat() throws IllegalArgumentException, IOException{

       FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));

       IOUtils.copyBytes(in, System.out, 1024);
   }
}

7.4.3 场景编程
在mapreduce 、spark等运算框架中，有一个核心思想就是将运算移往数据，或者说，就是要在并发计算中尽可能让运算本地化，这就需要获取数据所在位置的信息并进行相应范围读取
以下模拟实现：获取一个文件的所有block位置信息，然后读取指定block中的内容
   @Test
   public void testCat() throws IllegalArgumentException, IOException{

       FSDataInputStream in = fs.open(new Path("/weblog/input/access.log.10"));
       //拿到文件信息
       FileStatus[] listStatus = fs.listStatus(new Path("/weblog/input/access.log.10"));
       //获取这个文件的所有block的信息
       BlockLocation[] fileBlockLocations = fs.getFileBlockLocations(listStatus[0], 0L, listStatus[0].getLen());
       //第一个block的长度
       long length = fileBlockLocations[0].getLength();
       //第一个block的起始偏移量
       long offset = fileBlockLocations[0].getOffset();

       System.out.println(length);
       System.out.println(offset);

       //获取第一个block写入输出流
//       IOUtils.copyBytes(in, System.out, (int)length);
       byte[] b = new byte[4096];

       FileOutputStream os = new FileOutputStream(new File("d:/block0"));
       while(in.read(offset, b, 0, 4096)!=-1){
           os.write(b);
           offset += 4096;
           if(offset>=length) return;
       };
       os.flush();
       os.close();
       in.close();
   }

8. 案例1：开发shell采集脚本
8.1需求说明
   点击流日志每天都10T，在业务应用服务器上，需要准实时上传至数据仓库（Hadoop HDFS）上
8.2需求分析
   一般上传文件都是在凌晨24点操作，由于很多种类的业务数据都要在晚上进行传输，为了减轻服务器的压力，避开高峰期。
   如果需要伪实时的上传，则采用定时上传的方式

8.3技术分析
   HDFS SHELL: hadoop fs –put xxxx.tar /data 还可以使用 Java Api
          满足上传一个文件，不能满足定时、周期性传入。
   定时调度器：
       Linux crontab
       crontab -e
   */5 * * * * $home/bin/command.sh //五分钟执行一次
   系统会自动执行脚本，每5分钟一次，执行时判断文件是否符合上传规则，符合则上传
8.4实现流程
8.4.1日志产生程序
   日志产生程序将日志生成后，产生一个一个的文件，使用滚动模式创建文件名。

   日志生成的逻辑由业务系统决定，比如在log4j配置文件中配置生成规则，如：当xxxx.log 等于10G时，滚动生成新日志
   log4j.logger.msg=info,msg
log4j.appender.msg=cn.maoxiangyi.MyRollingFileAppender
log4j.appender.msg.layout=org.apache.log4j.PatternLayout
log4j.appender.msg.layout.ConversionPattern=%m%n
log4j.appender.msg.datePattern='.'yyyy-MM-dd
log4j.appender.msg.Threshold=info
log4j.appender.msg.append=true
log4j.appender.msg.encoding=UTF-8
log4j.appender.msg.MaxBackupIndex=100
log4j.appender.msg.MaxFileSize=10GB
log4j.appender.msg.File=/home/hadoop/logs/log/access.log

细节：
   1、   如果日志文件后缀是1\2\3等数字，该文件满足需求可以上传的话。把该文件移动到准备上传的工作区间。
   2、   工作区间有文件之后，可以使用hadoop put命令将文件上传。
   阶段问题：
   1、   待上传文件的工作区间的文件，在上传完成之后，是否需要删除掉。
8.4.2伪代码
   使用ls命令读取指定路径下的所有文件信息，
   ls | while read line
   //判断line这个文件名称是否符合规则
if   line=access.log.* (
       将文件移动到待上传的工作区间
   )

//批量上传工作区间的文件
hadoop fs –put xxx

   脚本写完之后，配置linux定时任务，每5分钟运行一次。

8.5代码实现
   代码第一版本，实现基本的上传功能和定时调度功能