Hadoop新增节点后HDFS数据均衡操作

0. 前置设置: 数据均衡带宽优化

#参数说明：设置balance工具在运行中所能占用的带宽，需反复调试设置为合理值, 过大反而会造成MapReduce流程运行缓慢
#CDH集群上默认值为10M, 案例中设置为1G

hdfs dfsadmin -setBalancerBandwidth 104857600  

CDH集群默认值:

1. Hadoop集群节点间的数据均衡

hadoop_hdfsdata_rebalancer.sh 清单:

nohup hdfs balancer \ 
-D "dfs.balancer.movedWinWidth=300000000" \  
-D "dfs.datanode.balance.bandwidthPerSec=2000m" \ 
-threshold 5 > my-hadoop-balancer-v2021u1109.log &

参数说明:

1. -threshold 5
   集群平衡的条件，datanode间磁盘使用率差异的阈值，区间选择：0~100; Threshold参数为集群是否处于均衡状态设置了一个预期目标.
   threshold 默认设置：10，参数取值范围：0-100，参数含义：判断集群是否平衡的目标参数，每一个 datanode 存储使用率和集群总存储使用率的差值都应该小于这个阀值 ，
   理论上，该参数设置的越小，整个集群就越平衡，但是在线上环境中，hadoop集群在进行balance时，还在并发的进行数据的写入和删除，所以有可能无法到达设定的平衡参数值。
   这个命令中-threshold 参数后面跟的是HDFS达到平衡状态的磁盘使用率偏差值。如果机器与机器之间磁盘使用率偏差小于10%，那么我们就认为HDFS集群已经达到了平衡的状态。
2. -policy datanode
   默认为datanode，datanode级别的平衡策略
3. -exclude -f /tmp/ip1.txt
   默认为空，指定该部分ip不参与balance， -f：指定输入为文件
4. -include -f /tmp/ip2.txt
   默认为空，只允许该部分ip参与balance，-f：指定输入为文件
5. -idleiterations 5
   迭代次数，默认为 5

2. 某个节点内各磁盘间的数据均衡:

> hdfs diskbalancer -plan $IP -bandwidth 1000 -v 2> /dev/null | egrep ^/ | xargs hdfs diskbalancer -execute

均衡期间, 查看磁盘的均衡情况或进度情况:

> hdfs diskbalancer -query $IP

3. 数据均衡的原理:
   
   Rebalance程序作为一个独立的进程与name node进行分开执行:
   .
   1 Rebalance Server从Name Node中获取所有的Data Node情况：每一个Data Node磁盘使用情况。
   2 Rebalance Server计算哪些机器需要将数据移动，哪些机器可以接受移动的数据。并且从Name Node中获取需要移动的数据分布情况。
   3 Rebalance Server计算出来可以将哪一台机器的block移动到另一台机器中去。
   4,5,6 需要移动block的机器将数据移动的目的机器上去，同时删除自己机器上的block数据。
   7 Rebalance Server获取到本次数据移动的执行结果，并继续执行这个过程，一直没有数据可以移动或者HDFS集群以及达到了平衡的标准为止。

数据均衡需遵循如下原则:

• 1.在执行数据重分布的过程中，必须保证数据不能出现丢失，不能改变数据的备份数，不能改变每一个rack中所具备的block数量。
• 2.系统管理员可以通过一条命令启动数据重分布程序或者停止数据重分布程序。
• 3.Block在移动的过程中，不能暂用过多的资源，如网络带宽。
• 4.数据重分布程序在执行的过程中，不能影响name node的正常工作。

数据均衡的退出条件:

• 集群已达到均衡状态；
• 没有block能被移动；
• 连续5次迭代移动没有任何一个block被移动；
• 当与namenode交互式出现了IOException；
• 另一个balancer已经在运行中。