四、HADOOP(HDFS)—01
1、Haoop常用端口号
Hadoop2.x | hadoop3.x | |
---|---|---|
访问HDFS端口 | 50070 | 9870 |
访问MR执行情况端口 | 8088 | 8088 |
历史服务器 | 19888 | 19888 |
客户端访问集群端口 | 9000 | 8020 |
2、Hadoop配置及集群的搭建
(1) 配置文件:
Hadoop2.x | Hadoop3.x |
---|---|
core-site.xml | core-site.xml |
hdfs-site.xml | hdfs-site.xml |
mapred-site.xml | mapred-site.xml |
yarn-site.xml | yarn-site.xml |
slaves | workers |
(2)简单集群的搭建过程
a、JDK安装
b、配置SSH免密钥
c、配置Hadoop核心文件
d、格式化nameNode
3、HDFS的定义
HDFS(Hadoop Distributed File System),它是一个文件系统,用于存储文件,通过目录树来定位文件;其次,它是分布式的,由很多服务器联合起来实现其功能,集群中的服务器有各自的角色。
HDFS的使用场景:适合一次写入,多次读出的场景,且不支持文件的修改。适合用来做数据分析,并不适合用来做网盘应用。
4、HDFS的优缺点
1、优点
(1) 高容错性
a、数据自动保存多个副本。它通过增加副本的形式,提高容错性。
b、某一个副本丢失以后,它可以自动恢复。
(2) 适合处理大数据
a、数据规模:能够出路数据规模达到GB、TB、甚至PB级别的数据。
b、文件规模:能够处理百万规模以上的文件按数量,数量相当之大。
c、可构建在廉价机器上,通过多副本机制,提高可靠性。
2、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。
a、存储大量小文件的话,他会占用NameNode大量的内存来存储文件、目录和块信息。
b、小文件存储的寻址时间会超过读取时间,它违反了HDFS的设计目标。
(3) 不支持并发写入、文件随机修改
a、一个文件只能有一个写,不允许多个线程同时写。
b、仅支持数据append(追加),不支持文件的随机修改。
5、HDFS组成架构
(1) nameNode :就是Master,它是一个主管、管理者。
a、管理HDFS的名称空间
b、配置副本策略
c、管理数据块(Block)的映射信息
d、处理客户端读写请求
(2) DataNode:就是Slave。NameNode下达命令,DataNode执行实际的操作。
a、存储实际的数据块
b、执行数据块的读/写操作
(3) Client : 就是客户端
a、文件切分。文件上传HDFS时,Client将文件切分成一个一个的Block,然后进行上传。
b、与NameNode交互,获取文件的位置信息
c、与DataNode交互,读取或者写入数据
d、Client提供一些命令来管理HDFS,比如NameNode格式化
e、Client可以通过一些命令来访问HDFS,比如对NameNode增删改查操作
(4) Secondary NameNode:并非NameNode的热备。档NameNode挂掉的时候,它并不能马上替换NameNode并提供服务
a、辅助NameNode,分担其工作量,比如定期合并simage和Edits,并推送给NameNode。
b、在紧急情况下,可辅助恢复NameNode
(6) HDFS文件块大小(重点)
HdFS中的文件在物理上时分块存储,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,老版本为64M
问题:
为什块的大小不能设置太小,也不能设置太大?
(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。