hadoop之HDFS

2. HDFS

总的设计思想：
设计目标：提高分布式并发处理数据的效率（提高并发度和移动运算到数据）
分而治之：将大文件、大批量文件，分布式存放在大量独立的服务器上，以便于采取分而治之的方式对海量数据进行运算分析；
重点概念：文件切块，副本存放，元数据，位置查询，数据读写流

2.1  hdfs的shell操作

hadoop  fs  -操作命令  -参数
-ls                  #显示目录信息
-->hadoop  fs  -ls  hdfs://hadoop-server-00:9000/
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
-copyFromLocal    #从本地文件系统中拷贝文件到hdfs路径去
-->hadoop  fs  -copyFromLocal  ./jdk.tar.gz  /aaa/
-copyToLocal      #从hdfs拷贝到本地
-->hadoop fs -copyToLocal /aaa/jdk.tar.gz
-put      #等同于copyFromLocal
-get       #等同于copyToLocal，就是从hdfs下载文件到本地
-getmerge   #合并下载多个文件
--> 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
-moveFromLocal     #从本地移动到hdfs
-moveToLocal       #从hdfs移动到本地
-cp     #从hdfs的一个路径拷贝hdfs的另一个路径
-->hadoop fs -cp /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
-mv    #在hdfs目录中移动文件
-mkdir    #在hdfs上创建目录
-->hadoop fs -mkdir -p /aaa/bbb/cc/dd
-rm       #删除文件或文件夹
--> hadoop fs -rm -r /aaa/bbb/
-rmdir      #删除空目录
-cat  ---显示文件内容  
-->hadoop fs -cat /hello.txt
--appendToFile  ----追加一个文件到已经存在的文件末尾
-->hadoop  fs  -appendToFile  ./hello.txt  hdfs://hadoop-server01:9000/hello.txt
可以简写为：
Hadoop  fs  -appendToFile  ./hello.txt  /hello.txt
-chgrp 
-chmod
-chown
上面三个跟linux中的用法一样
-->hadoop fs -chmod 666 /hello.txt
-count         #统计一个指定目录下的文件节点数量
-->hadoop fs -count /aaa/
-createSnapshot
-deleteSnapshot
-renameSnapshot
以上三个用来操作hdfs文件系统目录信息快照
-->hadoop fs -createSnapshot /
-df               #统计文件系统的可用空间信息
-du 
-->hadoop fs -df -h /
-->hadoop fs -du -s -h /aaa/*
-help             #输出这个命令参数手册
-setrep                #设置hdfs中文件的副本数量
-->hadoop fs -setrep 3 /aaa/jdk.tar.gz
-stat                  #显示一个文件或文件夹的元信息
-tail                  #显示一个文件的末尾
-text                  #以字符形式打印一个文件的内容

2.2  HDFS的一些concept（概念）和特性

首先，它是一个文件系统，有一个统一的命名空间——目录树, 客户端访问hdfs文件时就是通过指定这个目录树中的路径来进行


其次，它是分布式的，由很多服务器联合起来实现功能；
 hdfs文件系统会给客户端提供一个统一的抽象目录树， Hdfs中的文件都是分块（block）存储的，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
 文件的各个block由谁来进行真实的存储呢？----分布在各个datanode服务节点上，而且每一个block都可以存储多个副本（副本数量也可以通过参数设置dfs.replication，默认值是3）
 Hdfs中有一个重要的角色：namenode，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）
 hdfs是设计成适应一次写入，多次读出的场景，并不支持文件的修改
(hdfs并不适合用来做网盘应用，因为，不便修改，延迟大，网络开销大，成本太高)


特性：
容量可以线性扩展
数据存储高可靠
分布式运算处理很方便
数据访问延迟较大，不支持数据的修改操作
适合一次写入多次读取的应用场景

2.3  HDFS的java操作

可以随机定位读取位置：DFSInputStream.seek()


（1）搭建开发环境（eclipse，hdfs的jar包----hadoop的安装目录的share下）

<dependency>

    <groupId>org.apache.hadoop</groupId>
   <artifactId>hadoop-client</artifactId>
    <version>2.4.1</version>
</dependency>

建议在linux下进行客户端应用的开发，不会存在兼容性问题。
如果非要在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

（2）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:///


fs所具备的方法：
 

2.4  hdfs的工作机制

HDFS集群分为两大角色：NameNode、DataNode
NameNode负责管理整个文件系统的元数据
DataNode 负责管理用户的文件数据块

2.5  namenode工作机制

namenode职责：
负责客户端请求的响应
元数据的管理（查询，修改）
---- hdfs元数据是怎么存储的？
A、内存中有一份完整的元数据
B、磁盘有一个“准完整”的元数据镜像
C、当客户端对hdfs中的文件进行新增或者修改操作，响应的记录首先被记入edits这种log日志中，当客户端操作成功后，相应的元数据会更新到内存中
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）
D、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
E、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


F、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

2.6  datanode的工作机制

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）
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：
/home/hadoop/app/hadoop-2.4.1/tmp/dfs/data/current/BP-193442119-192.168.2.120-1432457733977/current/finalized