Hadoop3：HDFS-存储优化之纠删码

一、集群环境

集群一共5个节点，102/103/104/105/106

二、纠删码原理

1、简介

HDFS默认情况下，一个文件有3个副本，这样提高了数据的可靠性，但也带来了2倍的冗余开销。Hadoop3.x引入了纠删码，采用计算的方式，可以节省约50％左右的存储空间。

简单来说，通过计算方式，来还原丢失的数据。
损耗的是CPU性能，节省了磁盘空间。

2、纠删策略

[atguigu@hadoop102 ~]$ hdfs ec -listPolicies
Erasure Coding Policies:
ErasureCodingPolicy=[Name=RS-10-4-1024k, Schema=[ECSchema=[Codec=rs, numDataUnits=10, numParityUnits=4]], CellSize=1048576, Id=5], State=DISABLED
ErasureCodingPolicy=[Name=RS-3-2-1024k, Schema=[ECSchema=[Codec=rs, numDataUnits=3, numParityUnits=2]], CellSize=1048576, Id=2], State=DISABLED
ErasureCodingPolicy=[Name=RS-6-3-1024k, Schema=[ECSchema=[Codec=rs, numDataUnits=6, numParityUnits=3]], CellSize=1048576, Id=1], State=ENABLED
ErasureCodingPolicy=[Name=RS-LEGACY-6-3-1024k, Schema=[ECSchema=[Codec=rs-legacy, numDataUnits=6, numParityUnits=3]], CellSize=1048576, Id=3], State=DISABLED
ErasureCodingPolicy=[Name=XOR-2-1-1024k, Schema=[ECSchema=[Codec=xor, numDataUnits=2, numParityUnits=1]], CellSize=1048576, Id=4], State=DISABLED

RS-3-2-1024k
使用RS编码，每3个数据单元，生成2个校验单元，共5个单元，每个单元的大小是1024k=1m
只要有任意的3个单元存在，就可以还原数据。
RS-6-3-1024k
类似RS-3-2-1024k，6个数据单元，3个校验单元
RS-10-4-1024k
类似RS-3-2-1024k，10个数据单元，4个校验单元
RS-LEGACY-6-3-1024k
类似RS-3-2-1024k，只是编码的算法用的是rs-legacy
XOR-2-1-1024k
类似RS-3-2-1024k，使用XOR编码（速度比RS编码快）

纠删码策略是给具体一个路径设置。所有往此路径下存储的文件，都会执行此策略。
默认只开启对RS-6-3-1024k策略的支持，如要使用别的策略需要提前启用。

也就是，对某个路径下的文件使用纠删码方式确保数据的可靠性。
其他路径依然采用自己的方式保证可靠性。

三、案例

1、需求

将/input目录设置为RS-3-2-1024k策略

我们集群是5台虚拟机
所以，我们需要更改纠删码策略为RS-6-3-1024k。
因为默认的是RS-6-3-1024k策略，需要9台机器。

2、相关指令

启用RS-3-2-1024k策略
hdfs ec -enablePolicy  -policy RS-3-2-1024k

创建路径
hdfs dfs -mkdir /input

设置路径的纠删码策略为RS-3-2-1024k
hdfs ec -setPolicy -path /input -policy RS-3-2-1024k

3、测试

上传文件

1个副本，分别存放在5台机器上

查看数据

102，能查看文件内容，说明是数据单元

103，无法查看内容，说明是校验单元

104，无法查看内容，说明是校验单元

105，能查看文件内容，说明是数据单元

106，能查看文件内容，说明是数据单元

删除数据并验证是否可以下载

最多删除2台机器上的数据
我这里删除102/103

下载测试

可以看出，103机器，是没有数据的

如果，删除3台机器的数据，那么就会下载失败
这里就不做验证了。

其他路径上传文件

发现副本数依然是3份