大数据开发中相关HDFS的这几个问题应该知道

1.Namenode的安全模式 ？

安全模式是Namenode的一种状态（Namenode主要有active/standby/safemode三种模式）。

2.哪些情况下，Namenode会进入安全模式 ？

a. Namenode发现集群中的block丢失率达到一定比例时（默认0.01%），Namenode就会进入安全模式，在安全模式下，客户端不能对任何数据进行操作，只能查看元数据信息大数据培训。

b. 在hdfs集群正常冷启动时，Namenode也会在safemode状态下维持相当长的一段时间，此时你不需要去理会，等待它自动退出安全模式即可

3.为什么，在HDFS集群冷启动时，Namenode会在安全模式下维持相当长的一段时间 ？

Namenode的内存元数据中，包含文件路径、副本数、blockid，及每一个block所在Datanode的信息，而fsimage中，不包含block所在的Datanode信息。那么，当Namenode冷启动时，此时内存中的元数据只能从fsimage中加载而来，从而就没有block所在的Datanode信息 ——> 就会导致Namenode认为所有的block都已经丢失 ——> 进入安全模式 ——> 所在的Datanode信息启动后，会定期向Namenode汇报自身所持有的block信息 ——> 随着Datanode陆续启动，从而陆续汇报block信息，Namenode就会将内存元数据中的block所在Datanode信息补全更新 ——> 找到了所有block的位置，从而自动退出安全模式

 

4.如何退出安全模式 ？

1）找到问题所在，进行修复（比如修复宕机的所在Datanode信息补全更新）

2）可以手动强行退出安全模式：hdfs namenode --safemode leave 【不推荐，毕竟没有真正解决问题】

5.Namenode服务器的磁盘故障导致namenode宕机，如何挽救集群及数据 ？

1）HA机制：高可用hadoop2.0
2）配置hdfs-site.xml指定然后重启Namenode运行时数据存放多个磁盘位置
3）然后重启Namenode和SecondaryNamenode的工作目录存储结构完全相同，当然后重启Namenode故障退出需要重新恢复时，可以从SecondaryNamenode的工作目录存储结构完全相同，当的工作目录中的namesecondary文件夹及其中文件拷贝到然后重启Namenode所在节点工作目录中(但只能恢复大部分数据SecondaryNamenode最后一次合并之后的更新操作的元数据将会丢失)，将namesecondary重命名为name然后重启Namenode

6.Namenode是否可以有多个？Namenode跟集群数据存储能力有关系吗？

1）非HA的模式下Namenode只能有一个，HA模式下可以有两个（一主active一备standby），HDFS联邦机制可以有多个Namenode

2）关系不大，存储数据由Datanode完成。但是药尽量避免存储大量小文件，因为会耗费Namenode内存

7.fsimage是否存放了block所在服务器信息 ？

1）在edits中保存着每个文件的操作详细信息

2）在fsimage中保存着文件的名字、id、分块、大小等信息，但是不保存Datanode 的IP

3）在hdfs启动时处于安全模式，Datanode 向Namenode汇报自己的IP和持有的block信息

安全模式结束，文件块和Datanode 的IP关联上

验证过程： 1) 启动Namenode，离开safemode，cat某个文件，看log，没有显示文件关联的Datanode 2) 启动Datanode，cat文件，内容显示 3) 停止Datanode ，cat文件，看log，看不到文件，但显示了文件块关联的Datanode

8.Datanode动态上下线？

在实际生产环境中，在hdfs-site.xml文件中还会配置如下两个参数：

dfs.hosts：白名单；dfs.hosts.exclude：黑名单

<property> <name>dfs.hosts</name> #完整的文件路径：列出了允许连入NameNode的datanode清单（IP或者机器名） <value>$HADOOP_HOME/conf/hdfs_include</value> </property> <property> <name>dfs.hosts.exclude</name> #文件完整路径：列出了禁止连入NameNode的datanode清单（IP或者机器名） <value>$HADOOP_HOME/conf/hdfs_exclude</value> </property>

1) 上线datanode

a) 保证上线的datanode的ip配置在白名单并且不出现在黑名单中

b) 配置成功上线的datanode后，通过命令hadoop-daemon.sh datanode start启动

c) 刷新节点状态：/bin/hadoop dfsadmin -refreshNodes(这个命令可以动态刷新dfs.hosts和dfs.hosts.exclude配置，无需重启NameNode)

d) 手动进行数据均衡：start-balance.sh

2) 下线datanode

a) 保证下线的datanode的ip配置在黑名单并且不出现在白名单中

b) 关闭下线的节点

c) 刷新节点状态：/bin/hadoop dfsadmin -refreshNodes

d) 机器下线完毕后，将它们从hdfs_exclude文件中移除

9.关于Datanode的几个问题 ？

1）Datanode在什么情况下不会备份？

在强制关闭或者非正常断电时不会备份

2）3个Datanode中有一个Datanode出现错误会怎样？

这个Datanode的数据会在其他的Datanode上重新做备份

10.HDFS HA机制下的脑裂现象以及避免方法 ？

当standby Namenode的ZKFailoverController收到active Namenode端故障通知时，不会立即将自己的状态切换为active，因为此时active Namenode可能处于“假死”状态，如果即刻切换为active状态，有可能造成脑裂现象。

为了防止脑裂，建议写个脚本确保发出故障通知的active Namenode一定被kill掉，具体可以按照以下几个步骤完成kill操作：
1.执行杀掉active Namenode的shell脚本，等待ssh kill返回命令
2.如果响应成功，就把原standby Namenode的状态切换为active；如果响应失败或者超时（可以配置一个超时时间）
3.只要shell脚本的调用返回值为true，则切换自己端的Namenode状态为active

11.HDFS为什么不适合存储小文件 ？

一般一个block对应的元数据大小为150byte左右，大量小文件会使内存中的元数据变大导致占用大量Namenode内存、寻址时间长

12.大量小文件的处理方式？

1）打成HAR files
命令：hadoop archive -archiveName xxx.har -p /src /dest
查看内容：hadoop fs -lsr har:///dest/xxx.har

该命令底层实际上是运行了一个MapReduce任务来将小文件打包成HAR。但是通过HAR来读取一个文件并不会比直接从HDFS中读取文件高效，因为对每一个HAR文件的访问都需要进行index文件和文件本身数据的读取。并且虽然HAR文件可以被用来作为MapReduce任务的input，但是并不能将HAR文件中打包的文件当作一个HDFS文件处理

2）编写MR程序，将小文件序列化到一个Sequence File中

将小文件以文件名作为key，以文件内容作为value，编写一个程序将它们序列化到HDFS上的一个Sequence File中，然后来处理这个Sequence File。相对打成HAR文件，具有两个优势：
（1）Sequence File是可拆分的，因此MapReduce可以将它们分成块并独立地对每个块进行操作
（2）它们同时支持压缩，不像HAR。在大多数情况下，块压缩是最好的选择，因为它将压缩几个记录为一个块，而不是一个记录压缩一个块

13.查看HDFS集群工作状态命令 ？

hdfs dfsadmin -report：快速定位各个节点情况，如每个节点的硬盘使用情况

---

推荐阅读：

大数据开发HDFS的Shell操作（开发重点）

大数据开发技术之HDFS-HA集群配置

大数据开发技术之被误删的HDFS文件如何有效恢复

大数据开发之HDFS分布式文件存储系统详解