大数据Hadoop之HDFS

1.HDFS概述

• 全称：Hadoop Distributed File System（Hadoop分布式文件系统）

• HDFS优点

  1. 数据冗余、硬件容错
  2. 处理流式的数据访问
  3. 适合存储大文件
  4. 可构建在廉价机器上

• HDFS缺点

  1. 不能实现低延迟的数据访问
  2. 不适合小文件存储：小文件越多，源数据存放在NameNode上所占用的内存越多

2.HDFS架构

• 1个Master（NameNode）带N个Slaves（即DataNode）
• 1个文件会被拆分成多个Block

blocksize：128M
130M ==> 2个Block： 128M 和 2M
除了最后一个块，文件中所有的块都是128M

• NameNode（NN）：
  1）负责客户端请求的响应
  2）负责元数据（文件的名称、副本系数、Block存放的DN）的管理

• DataNode（DN）：
  1）存储用户的文件对应的数据块（Block）
  2）要定期向NN发送心跳信息，汇报本身及其所有的block信息，即健康状况

• replication factor：副本系数、副本因子

3.伪分布式下：HDFS配置文件的修改

• 我的配置文件路径为：/home/hadoop/app/hadoop-2.6.0-cdh5.7.0/etc/hadoop/hdfs-site.xml

// 直接添加：
<property>
    <name>dfs.replication</name>
    <value>1</value>
</property>

• 注：真实集群下还要另外配置slaves文件。

4.启动HDFS

• 1）格式化文件系统（仅第一次执行即可，不要重复执行），格式化的文件系统会放在core-site.xml配置的tmp文件夹里：

hdfs namenode -format
// 或者
hadoop namenode -format

注意：过程中如果出现Y/N的提示：一定要大写Y。

• 2）Hadoop的环境变量已设置（见《大数据Hadoop之环境搭建》），直接打命令启动HDFS：

start-dfs.sh

• 3）验证是否启动成功：

/** 1.查看进程：应该有三个
      DataNode、NameNode、SecondaryNameNode */
jps

/** 2.本地的浏览器访问：http://chao:50070 
      或 http://192.168.27.131:50070 */

会看到如下的页面：

5.启动HDFS的过程中可能出现的问题

• 如果在start-dfs.sh后jps只看到两个进程，没有DataNode进程，则是DataNode和NameNode的Cluster ID不匹配，下列方法解决：

  1. 复制：/home/hadoop/app/tmp/dfs/data/current/VERSION 里的Cluster ID到tmp/dfs/name/current/VERSION中；
  2. 或者删除tmp中的整个dfs文件夹，重新格式化（tmp的位置在core-site.xml中有配置）

• 当jps能看到3个进程，但是本地浏览器不能访问50070端口，输入以下命令：

// 开放对应的防火墙端口（在普通账户下）：
/sbin/iptables -I INPUT -p tcp --dport 50070 -j ACCEPT  // 开放50070端口
/etc/rc.d/init.d/iptables save  // 存储防火墙规则
/etc/init.d/iptables restart  // 重启防火墙
/etc/init.d/iptables status  // 查看开放的端口=service iptables status

// 或者关闭防火墙（一定要在root权限下）：
// 1） 禁止开机启动防火墙
开启： chkconfig iptables on
关闭： chkconfig iptables off
// 2） 关闭防火墙，即时生效，重启后复原
开启： service iptables start
关闭： service iptables stop

6.停止HDFS

stop-dfs.sh 

7.HDFS shell的常用命令

• 所有命令均用hadoop fs / hdfs dfs 开头

  ● 查看文件系统根目录（/）：hadoop fs -ls /
  ● 把一个文件上传到文件系统的根目录：hadoop fs -put hello.txt /
  ● 再查看就有了：hadoop fs -ls /
  ● 和linux的cat一样的功能：hadoop fs -text /hello.txt
  ● 查看内容（=-text）：hadoop fs -cat /test/a/b/h.txt
  ● 创建文件夹：hadoop fs -mkdir /test
  ● 递归地创建文件夹加-p参数：hadoop fs -mkdir -p /test/a/b
  ● 递归地查看文件：hadoop fs -ls -R /
  ● 拷贝文件：hadoop fs -copyFromLocal hello.txt /test/a/b/h.txt
  ● 从文件系统中获取文件：hadoop fs -get /test/a/b/h.txt
  ● 删除文件：hadoop fs -rm /hello.txt
  ● 删除文件夹：hadoop fs -rm -R /test
  ● 检查端口号：hadoop fs -ls hdfs://chao:8020/

8.Java API操作HDFS文件

• 开发工具：IDEA
• 查看方法提示：ctrl+j

• 进入方法：command+单击

• log4j报错：

log4j:WARN No appenders could be found for logger (org.apache.hadoop.metrics2.lib.MutableMetricsFactory).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.

• 原因是没有对log4j这个jar进行文件配置。解决办法：在项目的/hadooptest/target/classes路径下创建log4j.properties文件
• 添加下面的代码：

log4j.rootLogger=WARN, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n

• 源码地址：git@github.com:chao2015/HadoopConfig.git

• 测试运行：src/java/com/chenchao/hadoop/hdfs/HDFSApp的listFiles()方法，结果：

HDFSApp.setUp
2018-01-10 15:42:41,098 WARN [org.apache.hadoop.util.NativeCodeLoader] - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
文件夹 0   0   hdfs://192.168.27.131:8020/hdfsapi
文件      1   49  hdfs://192.168.27.131:8020/hello.txt
文件  3   12  hdfs://192.168.27.131:8020/hdfsapi/test/a.txt
文件  3   0   hdfs://192.168.27.131:8020/hdfsapi/test/b.txt
HDFSApp.tearDown

• 
  
• 问题：我们已经在hdfs-site.xml中设置了副本系数为1，为什么查询到有的文件看到的3呢？
  

1. 如果你是通过hdfs shell的方式put的上去的那么，才采用默认的副本系数1；
   
2. 如果我们是java api上传上去的，在本地我们并没有手工设置副本系数，所以否则采用的是hadoop自己的副本系数。