Hadoop大数据分析实验（一）——HDFS基本操作

[实验目的]

• 熟悉HDFS的相关基本概念；
• 熟悉HDFS的基本操作。

[实验原理]

HDFS的全称为Hadoop分布式文件系统（Hadoop Distributed File System），是Hadoop的文件系统。HDFS对用户来说就如同单块磁盘，它其实是运行在Linux文件系统之上。其优点还包括：

• 高容错性：可以处理磁盘损坏和机器宕机等等；
• 能够存储大文件：文件大小可以达到TB甚至PB级别，远超单块磁盘的最大容量；
• 利用普通商用硬件：不需要超级计算机，可以用可靠性一般的普通商用硬件。

HDFS的守护进程有以下三类：

• 命名节点（namenode）：管理文件系统的命名空间、元数据和文件，一般只运行在一台机器上；
• 数据节点（datanode）：存取数据，向命名节点报告情况，一般运行在许多台机器上；
• 备份名称节点（secondary namenode)：用于辅助命名节点的工作。

其具体架构如下图所示。

在HDFS中，文件被分成了不同的文件块（block），文件块是文件存储的最小单元，由命名节点管理，实际存储在数据节点上。每一个文件块都会在载入时复制到不同机器上，提供高容错性和可用性，默认复制3份，且默认的文件块大小是64MB。在下图中可以看出，文件块B1和B2被复制了3份且存储在不同的数据节点。

出于可扩展性的考虑，命名节点不直接读写数据。客户端与命名节点通信，获取HDFS的命名空间，并得到读写数据的具体文件块位置，然后直接从数据节点读写数据。

在HDFS上写数据的流程如下图所示，基本步骤为：

1. 在命名节点中创建文件的命名空间；
2. 将数据流从客户端传到从机1；
3. 将数据流从从机1传到从机2；
4. 将数据流从从机2传到从机3；
5. 将成功或失败信号从从机3传到从机2；
6. 将成功或失败信号从从机2传到从机1；
7. 将成功或失败信号从从机1传到客户端。

在HDFS上读数据的流程如下图所示，假设需要读取的文件有两个文件块B1和B2，基本步骤为：

1. 从命名节点得到文件块的位置；
2. 从从机1读取文件块B1，并重组文件；
3. 从从机3读取文件块B2，并重组文件。
   
   可以通过操作系统的命令行与HDFS进行交互，命令的基本形式为

hdfs dfs -<命令> -<选项> <路径>

常用的命令如下表所示。

命令	用途
hdfs dfs -help	查看命令帮助
hdfs dfs -ls	查看文件（夹）列表
hdfs dfs -mkdir	创建文件夹
hdfs dfs -put	从本地上传文件（夹）到HDFS
hdfs dfs -get	从HDFS下载文件（夹）到本地
hdfs dfs -cat	查看文件全部内容
hdfs dfs -tail	查看文件最后1KB内容
hdfs dfs -cp	复制文件（夹）
hdfs dfs -mv	剪切文件（夹）
hdfs dfs -rm	删除文件（夹）
hdfs dfs -du	查看文件（夹）占用空间

[实验步骤]

1. 连接到（广工）大数据计算集群

双击桌面上的xshell 5的快捷方式，通过xshell连接到大数据计算集群。在命令行中输入连接命令，将“<id>”替换成自己的用户名，将“<master_host>”替换成实验室当前环境的主机地址，并在弹出的对话框中输入密码。

[c:\~]$ ssh <id>@<master_ip>

2. 查看HDFS命令帮助

调用命令hdfs dfs -help查看HDFS操作相关命令的帮助。
再调用命令hdfs dfs -help加上参数ls查看命令ls的帮助。可以看到，命令ls的主要功能是列出文件和文件夹。

3. 查看HDFS文件（夹）列表

调用命令hdfs dfs -ls查看HDFS上路径“/data/”的文件（夹）列表。可以看出，返回结果与Linux文件系统基本一致，各列定义依次为访问权限、所有者、所有者所在用户组、文件大小、创建时间和具体路径。

与Linux类似，HDFS也区分绝对路径和相对路径，如果指定路径不是以/开头则为相对路径，并且是相对于用户家目录的路径。因此，如果不在命令hdfs dfs -ls后指定任何路径，则默认列出家目录的文件（夹）。如果目前home目录没有任何文件（夹），则不会输出任何信息。

4. 在HDFS中创建文件夹

首先调用命令hdfs dfs -mkdir在自己的家目录下创建文件夹lab11_1。再调用命令hdfs dfs -ls查看自己的家目录确认文件夹创建成功。

5. 从本地上传文件（夹）到HDFS

首先调用命令echo和输出重定向符>在本地创建一个名为test的文件。再调用命令hdfs dfs -put将其上传到HDFS。最后调用命令ll查看本地文件（夹）列表，可以看到之前创建的名为test的文件还存在，说明上传到HDFS并不会删除本地文件。

6. 从HDFS下载文件（夹）到本地

首先调用命令rm将刚刚创建的名为test的本地文件删除。再调用命令hdfs dfs -get将刚刚上传到HDFS的文件下载到本地。最后调用命令hdfs dfs -ls查看HDFS上文件（夹）列表，可以看到之前上传的名为test的文件还存在，说明下载到本地并不会删除HDFS上的文件。

7. 在HDFS中查看文本文件内容

调用命令hdfs dfs -cat查看HDFS上刚刚创建的名为test的文本文件的全部内容。

有时文本文件较大，不希望查看全部内容而只希望看到部分。调用命令hdfs dfs -tail查看HDFS上路径“/data/12/2/shakespeare.txt”的文本文件最后1KB内容。

8. 在HDFS中复制文件（夹）

首先调用命令hdfs dfs -cp将HDFS上的文件“lab11_1/test”复制到“lab11_1/test_bak”。再调用命令hdfs dfs -ls查看复制结果。该命令也可以用于文件夹的复制。

9. 在HDFS中剪切文件（夹）

首先调用命令hdfs dfs -mv将HDFS上的文件“lab11_1/test”剪切到“lab11_1/test_new”。再调用命令hdfs dfs -ls查看剪切结果。该命令也可以用于文件夹的剪切。

10. 在HDFS中删除文件（夹）

首先调用命令hdfs dfs -rm删除HDFS上的文件“lab11_1/test_new”。再调用命令hdfs dfs -ls查看删除结果。

如果需要删除文件夹以及文件夹中的所有文件，则需要在命令之后加上参数-r。调用命令hdfs dfs -rm -r删除HDFS上的文件夹“lab11_1”。

11. 在HDFS中查看文件（夹）占用空间

调用命令hdfs dfs -du查看HDFS上的文件夹“/data/”占用的空间。可以看出，第一列为不计算复制的文件占用空间，第二列为计算复制的文件占用空间。由于HDFS默认的存储策略是复制3份，因此这里第二列的数值是第一列的3倍。