hdfs

最新推荐文章于 2024-05-17 19:36:24 发布
最新推荐文章于 2024-05-17 19:36:24 发布
阅读量285 收藏 1
点赞数
分类专栏： 大数据 文章标签： hdfs hadoop 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41116027/article/details/115717439
版权

HDFS

一、HDFS概述

1.1、HDFS产生背景

随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS 只是分布式文件管理系统中的一种。

1.2、HDFS概念

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。一个文件经过创建、写入和关闭之后就不需要改变。

1.3、HDFS优缺点

1.3.1、HDFS优点

  1. 高容错性

    数据会备份多个副本（默认备份3份），当其中一份数据副本丢失，HDFS会自动恢复备份。

  2. 适合处理大数据

    ​ 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；

    ​ 文件规模：能够处理百万规模以上的文件数量，数量相当之大。

  3. ）可构建在廉价机器上，通过多副本机制，提高可靠性。

1.3.2、HDFS缺点

  1. 不适合低延时数据访问， 像mysql快速的增删改查

  2. 无法高效的对大量小文件进行存储。

    存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的；

    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。

    一个文件只能有一个写，不允许多个线程同时写；

    仅支持数据append（追加），不支持文件的随机修改。

1.4、HDFS组成架构

  1. NameNode（nn）：就是Master，它是一个主管、管理者。

    （1）管理HDFS的名称空间；

    （2）配置副本策略；

    （3）管理数据块（Block）映射信息；

    （4）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。

（1）存储实际的数据块；

（2）执行数据块的读/写操作。

  1. Client：就是客户端。

    （1）文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传；

    （2）与NameNode交互，获取文件的位置信息；

    （3）与DataNode交互，读取或者写入数据；

    （4）Client提供一些命令来管理HDFS，比如NameNode格式化；

    （5）Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；

  2. Secondary NameNode（2nn）：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。

    （1）辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；

    （2）在紧急情况下，可辅助恢复NameNode

1.5、文件块大小

HDFS中的文件在物理上是分块存储（Block），块的大小可以通过配置参数( dfs.blocksize）来规定，默认大小在Hadoop2.x/3.x版本中是128M，1.x版本中是64M。

为什么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；

​ 例如：一个块1kb，一个100kb的文件需要切成100块，读取这个文件时需要找到这100个块，寻找数据块的时间大大增加

（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

​ 例如：一个块1GB，一个100kb的文件存储，读取文件时需要在1GB 磁盘里读取数据（相当于读取1GB的数据量）。

二、HDFS的Shell操作（开发重点）

2.1 基本语法

  • ​ hadoop fs 具体命令
  • （或者）hdfs dfs 具体命令

2.2、常用命令

2.2.1、上传
  1. -moveFromLocal：从本地剪切粘贴到 HDFS
hadoop fs -moveFromLocal 本地文件路径   HDFS文件路径
#举例
hadoop fs -moveFromLocal ./test1.txt /output

  1. -copyFromLocal:从本地文件系统中拷贝文件到 HDFS 路径去

    hadoop fs -copyFromLocal 本地文件路径   HDFS文件路径
#举例
hadoop fs -copyFromLocal ./test2.txt /output

  2. -put：等同于 copyFromLocal，生产环境更习惯用 put

    hadoop fs -put 本地文件路径   HDFS文件路径
#举例
hadoop fs -put ./test3.txt /output

  3. -appendToFile：追加一个文件到已经存在的文件末尾

hadoop fs  -appendToFile 本地文件路径   HDFS文件路径
#举例
hadoop fs  -appendToFile ./test4.txt /output/test3.txt
2.2.2、下载

-copyToLocal：从 HDFS 拷贝到本地

hadoop fs  -copyToLocal    HDFS文件路径     本地文件路径
#举例
hadoop fs  -copyToLocal  /output/test3.txt    ./

-get：等同于 copyToLocal，生产环境更习惯用 get

hadoop fs  -put    HDFS文件路径     本地文件路径
#举例
hadoop fs  -put  /output/test3.txt    ./
2.2.3 HDFS直接操作

-ls: 显示目录信息

hadoop fs  -ls    HDFS文件路径 
#举例
hadoop fs  -ls    /

-cat：显示文件内容

hadoop fs  -cat    HDFS文件路径 
#举例
hadoop fs  -cat    /output/test3.txt

-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   /output/test3.txt

-mkdir：创建文件夹

hadoop fs -mkdir  /output/aaa

-cp：从 HDFS 的一个路径拷贝到 HDFS 的另一个路径

 hadoop fs -cp   /output/test3.txt   /tmp

-mv：在 HDFS 目录中移动文件

hadoop fs -cp   /tmp/test3.txt    /output/aaa

-tail：显示一个文件的末尾 1kb 的数据

 hadoop fs -tail   /output/test3.txt

-rm：删除文件或文件夹

hadoop fs -rm   /tmp/test3.txt

-rm -r：递归删除目录及目录里面内容

hadoop fs -rm  -r /tmp

-du 统计文件夹的大小信息

hadoop fs -du -h /output
hadoop fs -du -s /output

-setrep：设置 HDFS 中文件的副本数量

 hadoop fs -setrep 10  /output/test3.txt

这里设置的副本数只是记录在 NameNode 的元数据中，是否真的会有这么多副本，还得看 DataNode 的数量。因为目前只有 3 台设备，最多也就 3 个副本，只有节点数的增加到 10台时，副本数才能达到 10

三、HDFS读写流程

3.1、HDFS写数据流程

在这里插入图片描述

  1. 客户端向NameNode 请求上传文件 /usr/data/data1

  2. NameNode 检查客户端有没有权限写入数据，检查目录 文件是否已经存在 ，如果有权限且文件不存在，则响应客户端可以上传文件

  3. 客户端请求上传第一个block(0~128M 数据块) ，请返回DataNode

  4. NameNode 通过节点距离计算和负载均衡得出存储的节点，返回存放数据的3个DataNode 节点 dn1、dn2、dn3

  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,通知客户端可以传数据

  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（大小64k），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）。

3.2、网络拓扑-节点距离计算

在 HDFS 写数据的过程中，NameNode 会选择距离待上传数据最近距离的 DataNode 接

收数据。那么这个最近距离怎么计算呢？

节点距离：两个节点到达最近的共同祖先的距离总和。

在这里插入图片描述

理解： 节点1------机架1------集群1—数据总部 ，走过3个节点

​ 节点2------机架2------集群2------数据总部 ， 走过3个节点，那么节点1和节点2距离为6

3.3、机架感知（副本存储节点选择）

  • 第一个副本在Client所处的节点上。如果客户端在集群外，随机选一个。

  • 第二个副本在另一个机架的随机一个节点。

  • 第三个副本在第二个副本所在机架的随机节点。

3.4、HDFS读数据流程

在这里插入图片描述

  1. 客户端通过 DistributedFileSystem 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。

三、NameNode 和 SecondaryNameNode

3.1、NN和2NN工作机制

思考：NameNode 中的元数据是存储在哪里的？

首先，我们做个假设，如果存储在 NameNode 节点的磁盘中，因为经常需要进行随机访问，还有响应客户请求，必然是效率过低。因此，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。

这样又会带来新的问题，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，但如果不更新，就会发生一致性问题，一旦 NameNode 节点断电，就会产生数据丢失。**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。**这样，一旦 NameNode 节点断电，可以通过 FsImage 和 Edits 的合并，合成元数据。

但是，如果长时间添加数据到 Edits 中，会导致该文件数据过大，效率降低，而且一旦断电，恢复元数据需要的时间过长。因此，需要定期进行 FsImage 和 Edits 的合并，如果这个操作由NameNode节点完成，又会效率过低。因此，引入一个新的节点SecondaryNamenode，专门用于 FsImage 和 Edits 的合并。

在这里插入图片描述

第一阶段： NameNode 启动

  1. 第一次启动 namenode 格式化后，创建 fsimage 和 edits （在 namenode 所在结点的 hadooop/data 目录下）文件。如果不是第一次启动，直接加载编辑日志edits_inprogress_001和镜像文件fsimage 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edits_inprogress_001
  4. namenode 在内存中对数据进行删改

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（将正在使用编辑的编辑日志edits_inprogress_001改名edits_001，并使用edits_inprogress_002作为记录操作新的编辑日志）
  4. 将滚动前的编辑日志edits_001和镜像文件fsimage 拷贝到 Secondary NameNode
  5. Secondary NameNode 加载编辑日志和镜像文件fsimage 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，原先的fsimage作为历史文件保留

3.2、Fsimage 和Edits

NameNode被格式化之后，将在/opt/module/hadoop-3.1.3/data/tmp/dfs/name/current目录中产生如下文件

fsimage_0000000000000000000

fsimage_0000000000000000000.md5

seen_txid

VERSION

（1）Fsimage文件：HDFS文件系统元数据的一个永久性的检查点，其中包含HDFS文件系统的所有目

​ 录和文件inode的序列化信息。

（2）Edits文件：存放HDFS文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先

​ 会被记录到Edits文件中。

（3）seen_txid文件保存的是一个数字，就是最后一个edits_的数字

（4）每 次NameNode启动的时候都会将Fsimage文件读入内存，加 载Edits里面的更新操作，保证内存

中的元数据信息是最新的、同步的，可以看成NameNode启动的时候就将Fsimage和Edits文件进行了合 并。

四、DataNode工作机制

4.1、DataNode 工作机制

在这里插入图片描述

  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。（向NameNode汇报文件状态有没有损毁）

    ​ DN 向 NN 汇报当前解读信息的时间间隔，默认 6 小时；

    ​ DN 扫描自己节点块信息列表的时间，默认 6 小时

  3. 心跳是每 3 秒一次，心跳返回结果带有 NameNode 给该 DataNode 的命令如复制块数据到另一台机器，或删除某个数据块。如果超过 10 分钟没有收到某个 DataNode 的心跳，则认为该节点不可用。（向NameNode汇报DataNode的状态，是否挂掉，如果10分钟内没有反馈，则认为DataNode 不存在，不会再和这个DataNode通信）

4.2、数据完整性

在这里插入图片描述

奇偶校验：

数据： 0100 0001 1的个数是2 是偶数 奇偶校验位为0

收到的传输数据进行奇偶校验，如果1的个数奇偶和奇偶校验位一致，则认为数据是完整的

hadoop 采用 crc（32），常见的校验算法还有 md5（128），sha1（160）

都是对数据按一定算法得出的结果和校验位进行比较，判断数据是否完整

4.4、掉线时限参数设置

在这里插入图片描述

如果定义超时时间为TimeOut，则超时时长的计算公式为：

TimeOut = 2 * dfs.namenode.heartbeat.recheck-interval + 10 * dfs.heartbeat.interval。

而默认的dfs.namenode.heartbeat.recheck-interval 大小为5分钟，dfs.heartbeat.interval默认为3秒。

hdfs-site.xml 配置文件中的 heartbeat.recheck.interval 的单位为毫秒，dfs.heartbeat.interval 的单位为秒。

<property>
 	<name>dfs.namenode.heartbeat.recheck-interval</name>
 	<value>300000</value>
</property>
<property>
 	<name>dfs.heartbeat.interval</name>
 	<value>3</value>
</property>

dfs.heartbeat.interval。

而默认的dfs.namenode.heartbeat.recheck-interval 大小为5分钟，dfs.heartbeat.interval默认为3秒。

hdfs-site.xml 配置文件中的 heartbeat.recheck.interval 的单位为毫秒，dfs.heartbeat.interval 的单位为秒。

<property>
 	<name>dfs.namenode.heartbeat.recheck-interval</name>
 	<value>300000</value>
</property>
<property>
 	<name>dfs.heartbeat.interval</name>
 	<value>3</value>
</property>
清风和月明
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
HADOOP 离线计算机系统【二】HDFS详解
wzq18845280610的博客
11-26 1520
HDFS详解******HDFS基本概念篇******1.HDFS前言2. HDFS的概念和特性******HDFS基本操作篇******3. HDFS的shell(命令行客户端)操作3.1 HDFS命令行客户端使用3.2 命令行客户端支持的命令参3.2 常用命令参数介绍******HDFS原理篇******4.hdfs的工作机制**详细请看 ：HDFS 详解:** [https://blog.csdn.net/wzq18845280610/article/details/110188742](https:
数据科学导论实验报告 实验2:熟悉常用的HDFS操作
04-30
数据科学导论 实验2:熟悉常用的HDFS操作 1. 编程实现以下指定功能，并利用 Hadoop 提供的 Shell 命令完成相同任务： 2. 编程实现一个类“MyFSDataInputStream”，该类继承“org.apache.hadoop.fs.FSDataInputStream...
Hadoop之详解HDFS架构
weixin_43800761的博客
06-19 1206
在之前的博客里已经基本上介绍了Hadoop的基本架构，Hadoop包含三大基本组件： HDFS——分布式文件系统，用于数据存储 YARN——统一资源管理和调度系统，用于管理集群的计算资源并根据计算框架的需求进行调度，支持包含MapReduce、Spark、Flink等多种计算框架。MRv2(Hadoop 2.x)之后的新特性。 MapReduce——分布式计算框架，运行于YARN之上 这篇博客主要是对Hadoop三大基本组件之一的HDFS进行深入的学习。 一、HDFS概述 1.1 HDFS产生背景   
HDFS分布文件系统（Hadoop Distributed File System）
最新发布
2301_79641790的博客
05-17 1356
HDFS作为Hadoop生态中的核心组件之一，提供了可靠、高效、可扩展的数据存储服务。通过深入了解HDFS的原理、架构、特性和实战应用，我们可以更好地利用HDFS来处理和分析大数据，为企业创造更大的价值。同时，随着大数据技术的不断发展，HDFS也在不断地演进和完善，相信未来HDFS将在大数据领域发挥更加重要的作用。
HDFS详解
m0_37967990的博客
05-04 6472
HDFS，Hadoop Distribute File System（Hadoop分布式文件系统）的简称，它是Hadoop核心组件之一，是大数据生态圈最底层的分布式存储服务。将计算靠近数据，而不是将数据移动到离计算更近的地方，使得应用的计算更有效率。HDFS遵循主从架构（master/slave）。通常包括一个主节点和多个从节点。主节点为NameNode，从节点为DataNode。在内部，文件分块存储，每个块根据复制因子存储在不同的从节点（DataNode）计算机上形成备份。
大数据系列——什么是hdfs？hdfs用来干什么的？
我的E家
12-27 7405
大数据系列——什么是hdfs？hdfs用来干什么的？
HDFS概述
weixin_44809337的博客
10-26 5257
文章目录1. 什么是HDFS2. HDFS基本架构3. 搭建[HDFS]3. 安装hadoop4. hadoop配置文件的配置 etc/hadoop5. namenode的格式化6. 启动hadoop守护进程7. 测试验证安装成果8. Hadoop HDFS运行过程中的错误分析#HDFS的client访问9.指定 Hadoop的启停脚本 1. 什么是HDFS HDFS 全称是Hadoop Distributed File System hadoop分布式（cluser）文件存储系统. 2. HDFS基本
HDFS可靠性策略
02-14
HDFS 可靠性策略 HDFS（Hadoop Distributed File System）作为一种分布式文件系统，其高可靠性主要是由多种策略及机制共同作用实现的。下面我们来分析这些策略和机制，对分布式文件系统的高可靠性进行详细的解释。 ...
【HDFS篇02】HDFS命令行操作1
08-04
在Hadoop分布式文件系统（HDFS）中，进行操作通常通过命令行界面（CLI）进行，这包括管理文件、目录以及与本地文件系统的交互。本文将详细介绍HDFS的Shell操作，主要涵盖基本语法、常用命令以及其用法。 首先，HDFS...
HDFS简介
01-07
一、HDFS的简介 分布式文件系统 HDFS Hadoop Distributed FileSystem 基于流数据访问模式处理超大规模的文件 适合应用大规模的数据集上 HDFS的优点 1）处理超大规模的文件 2）处理结构化，半结构化，非结构化的数据 ...
HDFS Explorer Installer
10-11
远程连接hdfs的客户端工具可以新建修改删除目录及文件，操作方便快捷。可以查询到里面存储的文件，也可以通过拖拽，选择等方式直接上传，避免了使用命令去上传下载的复杂操作
Hadoop之HDFS概述
yanghao201607030101的博客
06-05 1191
HDFS架构、文件块大小、shell命令和读写流程等介绍
2.HDFS介绍、HDFS完全分布式搭建
m0_63953077的博客
03-04 765
HDFS介绍、HDFS完全分布式搭建
HDFS入门简介
热门推荐
ZYG的博客
06-01 1万+
HDFS是什么？ 易于扩展的分布式文件系统 运行在大量普通廉价机器上提供容错机制 为大量用户提供性能不错的存取服务 设计目标： 自动快速检测应对硬件错误 流式访问数据,以流的方式访问数据，设计用于数据的批量处理 缺点：不适合存储大量小文件；不适合低延迟的数据访问；不支持多用户写入及任意修改文件 移动计算不移动数据（大数据基本原则，空间换时间） 简单一致性模型 异构平台可移植性 安装配置 追...
hdfs块大小（block）
qq_48959845的博客
08-23 1835
1，hdfs中文件在物理上的分块存储（block）默认大小位128M（2.x），（1.x版本的是64M） 2，集群中的block 寻址时间位10ms，一般认为寻址时间为传输时间的1%位最佳状态，则传输时间为10ms/0.01=1s，目前磁盘传输速率为100M/s,所以在集群中的block大小为100M ...
HDFS Block块大小限定依据及原则
GSpinach的博客
08-17 7948
@Author : Spinach | GHB @Link : http://blog.csdn.net/bocai8058 文章目录前言 前言
HDFS中block的大小
qq_46416934的博客
08-30 1237
HDFS中寻址时间一般为10ms，则传输时间最好为10ms/1%=1000ms=1s，而当前普通的机械硬盘的传输速度为100M/s左右，所以为了达到最佳状态，每个地址的数据大小最好为1s*100M/s=100M。如果block过大，传输时间的%1会明显大于寻址时间，导致寻址时间与传输时间不平衡，另外InputFormat的默认切片规则会以block的大小确定切片的大小，block越大，切片就会越大，Map过程会变得缓慢。由此每个block大的大小默认设置为128M。...
hdfs client
04-24
HDFS（Hadoop Distributed File System）是Apache Hadoop生态系统中的一部分，用于存储和处理大规模数据集。HDFS Client是用于与HDFS进行交互的客户端库或工具。 HDFS Client提供了一组API和命令行工具，用于在HDFS...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值