最近在公司接到一个任务，是关于数据采集方面的。 需求主要有3个：
通过web端上传文件到HDFS;通过日志采集的方式导入到HDFS;将数据库DB的表数据导入到HDFS。正好最近都有在这方面做知识储备。正所谓养兵千日，用兵一时啊。学习到的东西只有应用到真实的环境中才有意义不是么。
这里只做模拟环境，而不是真实的线上环境，所以也很简单，如果要使用的话还需要优化优化。
OS Debian 8.7Hadoop 2.6.5SpringBoot 1.5.1.RELEASE说明一下，这个系统OS最好使用Linux的，然后Hadoop也推荐使用CDH发行版的，因为在兼容性、安全性、稳定性都要好于开源的版本。比如说CDH的易于升级维护，已解决好Hadoop生态其他产品的版本兼容问题，补丁更新比开源要及时（毕竟商业公司支持）等等 还有之所以使用SpringBoot是因为快捷，方便，不用做一大堆的配置，不管是作为演示还是生产开发都挺好的。
这里只是做一个很简单的演示，就是在Web页面提供一个上传按钮，使用户可以将本地文件上传至Hadoop集群平台。
首先看下pom文件的依赖：
<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>com.infosys.hadoop</groupId> <artifactId>upload</artifactId> <version>1.0-SNAPSHOT</version> <name>upload</name> <packaging>jar</packaging> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>1.5.1.RELEASE</version> <relativePath/> <!-- lookup parent from repository --> </parent> <properties> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> <project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding> <hadoop.version>2.6.5</hadoop.version> </properties> <dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <dependency> <groupId>javax.servlet</groupId> <artifactId>javax.servlet-api</artifactId> <version>3.1.0</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>${hadoop.version}</version> <exclusions> <exclusion> <groupId>org.slf4j</groupId> <artifactId>slf4j-log4j12</artifactId> </exclusion> </exclusions> </dependency> <!-- Test --> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.12</version> <scope>test</scope> </dependency> <dependency> <groupId>org.apache.mrunit</groupId> <artifactId>mrunit</artifactId> <version>1.1.0</version> <classifier>hadoop2</classifier> <scope>test</scope> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-minicluster</artifactId> <version>${hadoop.version}</version> <scope>test</scope> </dependency> </dependencies> <build> <finalName>${project.artifactId}</finalName> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-archetype-plugin</artifactId> <version>2.2</version> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-resources-plugin</artifactId> <configuration> <encoding>UTF-8</encoding> </configuration> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <version>3.1</version> <configuration> <source>1.8</source> <target>1.8</target> </configuration> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-jar-plugin</artifactId> <version>2.5</version> <configuration> <outputDirectory>${basedir}</outputDirectory> </configuration> </plugin> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>我们就是添加了一个SpringBoot和Hadoop Client的依赖。其他的是一些测试相关的。关于这个Hadoop Client它提供了一些开发Hadoop应用所需的所有依赖，可以参考之前的一篇博客：Hadoop 2.x Maven开发环境搭建
首页界面就只是提供一个上传表单按钮： index.html
<!doctype html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, user-scalable=no, initial-scale=1.0, maximum-scale=1.0, minimum-scale=1.0"> <meta http-equiv="X-UA-Compatible" content="ie=edge"> <title>Upload</title> </head> <body> <form action="/upload" method="post" enctype="multipart/form-data"> <p> 文件：<input type="file" name="file"> </p> <p> <input type="submit" value="上传"> </p> </form> </body> </html>然后在Controller提供一个接口进行访问首页： HomeController.java
@Controller @RequestMapping(value = "/") public class HomeController { public ModelAndView home() { return new ModelAndView("index"); } }上传的逻辑也很简单，就是使用SpringBoot上传文件的形式先将文件接收到后台，然后调用Hadoop提供的接口API执行上传。 上传接口UploadController.java
@Controller public class UploadController { @PostMapping("/upload") @ResponseBody public String handleFileUpload(@RequestParam("file") MultipartFile file) { if (!file.isEmpty()) { try { String originalFilename = file.getOriginalFilename(); BufferedOutputStream out = new BufferedOutputStream( new FileOutputStream( new File(originalFilename) ) ); out.write(file.getBytes()); out.flush(); out.close(); String destFileName = "/user/hadoop/" + originalFilename; Upload.main(new String[]{originalFilename, destFileName}); } catch (FileNotFoundException e) { e.printStackTrace(); return "上传失败，" + e.getMessage(); } catch (IOException e) { e.printStackTrace(); return "上传失败, " + e.getMessage(); } return "上传成功"; } else { return "上传失败，文件为空。"; } } }最后我们在提供一个类来操作Hadoop接口。 Upload.java
public class Upload { public static final String FS_DEFAULT_FS = "fs.defaultFS"; public static final String HDFS_HOST = "hdfs://192.168.1.2:9000"; public static final String CROSS_PLATFORM = "mapreduce.app-submission.cross-platform"; public static void main(String[] args) throws IOException { Configuration conf = new Configuration(); conf.setBoolean(CROSS_PLATFORM, true); conf.set(FS_DEFAULT_FS, HDFS_HOST); GenericOptionsParser optionsParser = new GenericOptionsParser(conf, args); String[] remainingArgs = optionsParser.getRemainingArgs(); if (remainingArgs.length < 2) { System.err.println("Usage: upload <source> <dest>"); System.exit(2); } Path source = new Path(args[0]); Path dest = new Path(args[1]); FileSystem fs = FileSystem.get(conf); fs.copyFromLocalFile(true, false, source, dest); } }其中的fs.defaultFS属性需要与集群Master NameNode节点中配置的一直。该属性配置一般在etc/hadoop/core-site.xml文件中进行定义。 可以看到我们实际的操作很简单，就只是调用Hadoop的FileSystem接口中的copyFromLocalFile方法，该方法参数说明：
第一个参数：表示是否删除本地的源文件，也就是上传文件后是否保留原文件，这里为了避免后续文件越来越多，就直接采用上传成功就删除的方式。第二个参数：表示是否覆盖已存在的文件，这里false表示不覆盖，如果HDFS集群中已存在该文件，就提示上传失败。第三个参数：源文件路径第四个参数：上传到HDFS指定的路径当然上传的方式肯定不止这一种，比如：通过Hadoop的rest接口调用PUT也可以上传，还有Python等其他语言也有相应的API接口等等
如果是要做成平台的话，这样肯定是远远不够的，每个用户都可以上传就需要做好隔离措施，我们可以采用HDFS目录隔离的方式，不过我觉得这样不够好，最好采用CDH支持的kerberos进行授权认证的方式比较好。开源的Hadoop默认只支持Simple的形式，也就是与操作系统一致的用户验证。
