HDFS常用操作以及使用Spark读取文件系统数据_spark读取hdfs数据

一、实验目的

1. 掌握在Linux虚拟机中安装Hadoop和Spark的方法；
2. 熟悉HDFS的基本使用方法；
3. 掌握使用Spark访问本地文件和HDFS文件的方法。

二、实验具体内容

2.1 HDFS常用操作

1. 启动Hadoop，在HDFS中创建用户目录“/user/hadoop”

   cd /usr/local/hadoop/
   ./bin/hdfs dfs -mkdir -p /user/hadoop
   1
   2

   

2. 在Linux系统的本地文件系统的“/home/hadoop”目录下新建一个文本文件test.txt，并在该文件中随便输入一些内容，然后上传到HDFS的“/user/hadoop”目录下；
   使用vim命令在本地新建一个文件，使用hdfs dfs -put将文件上传到hdfs，使用hdfs dfs -ls命令查看是否上传成功。

   vim /home/hadoop/test.txt
   ./bin/hdfs dfs -put /home/hadoop/test.txt
   ./bin/hdfs dfs -ls
   1
   2
   3

   

3. 把HDFS中“/user/hadoop”目录下的test.txt文件，下载到Linux系统的本地文件系统中的“/home/hadoop/下载”目录下；
   使用hdfs dfs -get命令下载hdfs文件到本地
   

4. 将HDFS中“/user/hadoop”目录下的test.txt文件的内容输出到终端中进行显示；
   使用hdfs dfs -cat将文件内容输出到终端显示
   

5. 在HDFS中的“/user/hadoop”目录下，创建子目录input，把HDFS中“/user/hadoop”目录下的test.txt文件，复制到“/user/hadoop/input”目录下；
   用hdfs dfs -mkdir /user/hadoop/input来创建目录，
   用hdfs dfs -cp来进行文件复制操作
   

6. 删除HDFS中“/user/hadoop”目录下的test.txt文件，删除HDFS中“/user/hadoop”目录下的input子目录及其子目录下的所有内容。

   hdfs dfs -rm /user/hadoop/test.txt
   hdfs dfs -rm -r /user/hadoop/input
   1
   2

   

2.2 Spark读取文件系统数据（本地和HDFS）

1. 下面是我们的test.txt文件的内容（该文件已经在Linux本地和hdfs中存在了）：
   

2. 在pyspark中读取Linux系统本地文件“/home/hadoop/test.txt”（如果该文件不存在，请先创建），然后统计出文件的行数；

   在shell中依次输入下面的代码：
   file_path = "file:///home/hadoop/test.txt" # 这是你自己的文件地址
   data = sc.textFile(file_path)
   print("该文件的行数为：", data.count())
   1
   2
   3
   4

   

3. 在pyspark中读取HDFS系统文件“/user/hadoop/test.txt”（如果该文件不存在，请先创建），然后，统计出文件的行数；

   在shell中依次输入下面代码：
   file_path = "hdfs://localhost:9000/user/hadoop/test.txt"
   data = sc.textFile(file_path)
   print("该文件的行数为：", data.count())
   1
   2
   3
   4

   

4. 编写独立应用程序，读取HDFS系统文件“/user/hadoop/test.txt”（如果该文件不存在，请先创建），然后，统计出文件的行数；通过spark-submit提交到Spark中运行程序。
   创建~/mycode/LineCount.py文件，其中代码如下：

   from pyspark import SparkConf, SparkContext
   conf = SparkConf().setMaster("local").setAppName("line count")
   sc = SparkContext(conf = conf)
   file_path = "hdfs://localhost:9000/user/hadoop/test.txt"
   data = sc.textFile(file_path)
   print("该文件的行数为：", data.count())
   1
   2
   3
   4
   5
   6

   使用/usr/local/spark/bin/spark-submit ~/mycode/LineCount.py提交程序