如果说HDFS是存储,则Yarn就是cpu和内存,mapreduce就是程序。
1.HDFS文件块大小
HDFS中的文件在物理.上是分块存储(Block) ,block默认保存3份块的大小可以通过配置参数(dfs blocksize)来规定,默认大小在Hadoop2 .x版本中是128M,老版本中是64M。
解释:块的大小:10ms*100*100M/s = 100M,约等于128M,如图
ps.为什么块的大小不能设置的太小,也不能设置的太大
(1) HDFS的块设置太小,会增加寻址时间,程序一直在找块的开始位置
(2)如果块设置的太大,从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时,会非常慢。
总结: HDFS块的大小设置主要取决于磁盘传输速率
2.HDFS的常用指令
定位到 /opt/module/hadoop-3.1.3文件夹下
1.上传操作
1)-moveFromLocal:从本地剪切粘贴到HDFS
vim shuguo.txt
输入:
shuguo
hadoop fs -moveFromLocal ./shuguo.txt /sanguo
2)-copyFromLocal:从本地文件系统中拷贝文件到HDFS路径去
vim weiguo.txt
输入:
weiguo
hadoop fs -copyFromLocal weiguo.txt /sanguo
3)-put:等同于copyFromLocal,生产环境更习惯用put
vim wuguo.txt
输入:
wuguo
hadoop fs -put ./wuguo.txt /sanguo
4)-appendToFile:追加一个文件到另一个文件末尾
vim liubei.txt
输入:
liubei
hadoop fs -appendToFile liubei.txt /sanguo/shuguo.txt
2.下载操作
1)-copyToLocal:从HDFS拷贝到本地
hadoop fs -copyToLocal /sanguo/shuguo.txt ./
2)-get:等同于copyToLocal,生产环境更习惯用get
hadoop fs -get /sanguo/shuguo.txt ./shuguo2.txt
3.直接操作
和linux命令完全一样:hadoop fs - 命令
1)-ls: 显示目录信息
hadoop fs -ls /sanguo
2)-cat:显示文件内容
hadoop fs -cat /sanguo/shuguo.txt
3)-chgrp、-chmod、-chown:Linux文件系统中的用法一样,修改文件所属权限
hadoop fs -chmod 666 /sanguo/shuguo.txt
hadoop fs -chown atguigu:atguigu /sanguo/shuguo.txt
4)-mkdir:创建路径
hadoop fs -mkdir /jinguo
5)-cp:从HDFS的一个路径拷贝到HDFS的另一个路径
hadoop fs -cp /sanguo/shuguo.txt /jinguo
6)-mv:在HDFS目录中移动文件
hadoop fs -mv /sanguo/wuguo.txt /jinguo
7)-tail:显示一个文件的末尾1kb的数据
hadoop fs -tail /jinguo/shuguo.txt
8)-rm:删除文件或文件夹
hadoop fs -rm /sanguo/shuguo.txt
9)-rm -r:递归删除目录及目录里面内容
hadoop fs -rm -r /sanguo
10)-du统计文件夹的大小
hadoop fs -du -s -h /jinguo #s选项表示计算总和, -h选项表示以恰当的K/M/G单位展示
27 81 /jinguo
hadoop fs -du -h /jinguo
14 42 /jinguo/shuguo.txt
7 21 /jinguo/weiguo.txt
6 18 /jinguo/wuguo.tx
3.HDFS读写过程
1.上传过程
1) 客户端通过Distributed FileSystem模块向NameNode请求上传文件,NameNode检查目标文件是否已存在,父目录是否存在。
2) NameNode返回是否可以上传。
3) 客户端请求第一个 block上传到哪几个datanode服务器上。
4) NameNode返回3个datanode节点,分别为dn1、dn2、dn3(因为默认是三个副本)
(ps.第二个blk可能就是dn4,dn5,dn6等)
5) 客户端通过FSDataOutputStream模块请求dn1上传数据,dn1收到请求会继续调用dn2,然后dn2调用dn3,将这个通信管道建立完成。
6) dn1、dn2、dn3逐级应答客户端。
7) 客户端开始往dn1上传第一个block(先从磁盘读取数据放到一个本地内存缓存),以packet为单位,dn1收到一个packet就会传给dn2,dn2传给dn3;dn1每传一个packet会放入一个应答队列等待应答。
8) 当一个block传输完成之后,客户端再次请求NameNode上传第二个block的服务器。(重复执行3-7步)
ps.结点选择机制
怎么确定dn1,dn2,dn3? - 机架感知
2.下载机制
1) 客户端通过Distributed FileSystem向NameNode请求下载文件,NameNode通过查询元数据,找到文件块所在的DataNode地址。
2) 挑选一台DataNode(就近原则,然后随机)服务器,请求读取数据。
3) DataNode开始传输数据给客户端(从磁盘里面读取数据输入流,以packet为单位来做校验)。
4) 客户端以packet为单位接收,先在本地缓存,然后写入目标文件。
3. 2NN工作机制
镜像文件FsImage:元数据需要存放在内存中。但如果只存在内存中,一旦断电,元数据丢失,整个集群就无法工作了。因此产生在磁盘中备份元数据的FsImage(相当于存档)。就这样断电重启的话就会按照元数据重新操作一遍。
编辑日志Edits:当在内存中的元数据更新时,如果同时更新FsImage,就会导致效率过低, 因此,引入Edits文件(只进行追加操作,效率很高)。每当元数据有更新或者添加元数据时,修改内存中的元数据并追加到Edits中。一旦NameNode节点断电,可以通过FsImage和Edits的合并,合成元数据。
2NN作用:合并Fsimage和Edits,形成新的FsImage,然后返回给NN
1)第一阶段NameNode启动
(1)第一次启动NameNode格式化后,创建Fsimage和Edits文件。如果不是第一次启动,直接加载编辑日志和镜像文件到内存。
(2)客户端对元数据进行增删改的请求。
(3)NameNode记录操作日志,更新滚动日志。
(4)NameNode在内存中对元数据进行增删改。
2)第二阶段:Secondary NameNode\工作
(1)Secondary NameNode询问NameNode是否需要CheckPoint。直接带回NameNode是否检查结果。
(2)Secondary NameNode请求执行CheckPoint。
(3)NameNode滚动正在写的Edits日志。
(4)将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode。
(5)Secondary NameNode加载编辑日志和镜像文件到内存,并合并。
(6)生成新的镜像文件fsimage.chkpoint。
(7)拷贝fsimage.chkpoint到NameNode。
(8)NameNode将fsimage.chkpoint重新命名成fsimage。
4.DN工作机制
(1)一个数据块在DataNode上以文件形式存储在磁盘上,包括两个文件,一个是数据本身,一个是元数据包括数据块的长度,块数据的校验和,以及时间戳。
(2)DataNode启动后向NameNode注册,通过后,周期性(6小时)的向NameNode上报所有的块信息。
5.Yarn基础架构
每当提交一个job,就会产生一个appMaster(总指挥),app Master负责其他container里面的MapTask和ReduceTask.