大数据入门之Hadoop（二：HDFS基础知识）

一、大数据技术生态体系

图中涉及的技术名词解释如下：

1）Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。

2）Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：

（1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。

（2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。

（3）支持通过Kafka服务器和消费机集群来分区消息。

（4）支持Hadoop并行数据加载。

4）Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。

5）Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。

6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。

7）Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。

8）Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。

10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。

11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。

12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

二、集群规划

HDFS: NN DN(至少3个) 2NN
Yarn：RM NM(至少3个)
DN(管理当前节点的存储)和NM(管理当前节点的CPU和内存)混搭在一起，NN是HDFS的主机，RM是Yarn的主机。
所以一个集群的最小规模：6台机器，NN=1,DN=NM=3，2NN=1，RM=1

2.1 群启集群要求

要使用Hadoop自带的虚拟机脚本来群启集群时需要配置SSH免密登陆。
SSH(Secure Shell)是一种加密的网络传输协议。它是以非对称加密实现身份验证。

三、HDFS概述及优缺点

3.1 概述

HDFS：即Hadoop Distributed File System, Hadoop分布式文件系统。
使用场景：适合一次写入，多次读出的场景，且不支持文件的修改!
适合做数据分析，并不适合做网盘应用。

3.2 HDFS的优点

1.高容错性：数据自动保存多个副本，某一个副本丢失后它可以自动恢复。
2.适合处理大数据：能出来数据规模达到GB\TB甚至PB级数据
3.可构建在廉价机器上，通过多副本机制，提高可靠性

3.3 HDFS的缺点

1.不适合低延时数据访问，比如毫秒级的存储数据是做不到的。
2.无法高效的对大量小文件进行存储。因为会占用NN大量的内存来存储文件目录和块信息，因为NN的内存是有限的。
3.不支持并发写入、文件随即修改。一个文件只能有一个写，不允许多线程同时写，且仅支持数据append(追加)，不支持文件的随机修改。

3.4 HDFS组成架构

HDFS存储的单位是block块，而不是文件。
NN：master，它是管理者。管理HDFS的名称空间，管理数据库的映射信息，处理客户端的读写请求。
DN：就是slaver从机，实际的存储数据库block，执行NN下达的命令操作（执行数据库的读/写操作）
Client：客户端，文件切块，与NN\DN交互
2NN：不是NN的热备，不能替换NN，只是辅助NN，分担其工作量

3.5 HDFS文件块大小

在Hadoop2.x版本中默认128M，老版64M。
如果寻址时间(即找到块的时间)约为10ms，一般以寻址时间为传输时间的1%作为最佳状态。传输时间(读取时间)=10ms/0.01=1000ms=1s
而目前磁盘的传输速率普遍为100MB/s，所以block大小=1s * 100MB/s = 100MB
问题：如果block设置太小，则会增加寻址时间；block设置太大，则MR处理数据非常慢。
总结：HDFS块的大小设置主要取决于磁盘传输速率。

四、HDFS的API操作

4.1文件上传

@Test
public
void testCopyFromLocalFile() throws IOException, InterruptedException,
URISyntaxException {
   
      // 1 获取文件系统
      Configuration configuration = new
Configuration();
      configuration.set("dfs.replication",
"2");
      FileSystem fs = FileSystem.get(new
URI("hdfs://hadoop102:9000"), configuration, "atguigu");
      // 2 上传文件
      fs.copyFromLocalFile(new Path("e:/banzhang.txt"),
new Path<