Hadoop（入门） -- 第三天

HDFS 

一、分布式存储

1、分布式的基础架构

大数据体系中，分布式的调度主要有2类架构模式：

        ①去中心化模式：没有明确的中心。众多服务器之间基于特地规则进行同步协跳

        ②中心化模式（主从模式）：有一个中心节点（服务器）来统筹其他服务器的工作，统一指挥，统一调派，避免混乱

注：Hadoop框架，就是一个典型的主从模式（中心化模式）架构的技术框架。

二、HDFS的基础架构

1、HDFS概述

HDFS是Hadoop三大组件（HDFS、MapReduce、YARN）之一。

• 全称是：Hadoop Distributed File System（Hadoop分布式文件系统）
• 是Hadoop技术栈内提供的分布式数据存储解决方案
• 可以在多台服务器上构建存储集群,存储海量的数据

HDFS是一个典型的主从模式架构

2、HDFS的基础架构

①NameNode：HDFS系统的主角色，是一个独立的进程，负责管理HDFS整个文件系统，负责管理DataNode

②DataNode：HDFS系统的从角色，是一个独立进程，主要负责数据的存储，即存入数据和取出数据

③SecondaryNameNode：NameNode的辅助，是一个独立进程，主要帮助NameNode完成元数据整理工作（打杂）

 注：一个典型的HDFS集群，就是由1个DataNode加若干个（至少一个）DataNode组成

三、HDFS集群环境部署

具体步骤省略

补充点：

1、Hadoop安装包目录结构

各个文件夹含义如下

• bin ，存放 Hadoop 的各类程序（命令）

• etc ，存放 Hadoop 的配置文件

• include ， C 语言的一些头文件

• lib ，存放 Linux 系统的动态链接库（ .so 文件）

• libexec ，存放配置 Hadoop 系统的脚本文件（ .sh 和 .cmd ）

• licenses-binary ，存放许可证文件

• sbin ，管理员程序（ super bin ）

share，存放二进制源码（Ja2\va jar包）

 2、查看HDFS WEBUI

例：http://node1:9870，即可查看到hdfs文件系统的管理网页。

四、HDFS的Shell操作

1、进程启停管理

①一键启停HDFS集群

$HADOOP_HOME/sbin/start(stop)-dfs.sh

②单进程启停

$HADOOP_HOME/sbin/hadoop-daemon.sh

 此脚本可以单独控制所在机器的进程的启停

$HADOOP_HOME/bin/hdfs --daemon

 此程序也可以单独控制所在机器的进程的启停

2、文件系统操作命令

①HDFS文件系统基本信息

HDFS作为分布式存储的文件系统，有其对数据的路径表达方式。

HDFS同Linux系统一样，均是以／作为根目录的组织形式

如何区分？

• Linux：file:///
• HDFS：hdfs://namenode:port/

如上路径：

• Linux：file:///usr/local/hello.txt
• HDFS：hdfs://node1:8020/usr/local/hello.txt

 协议头file:///或hdfs://node1:8020/可以省略

• 需要提供Linux路径的参数，会自动识别为file://
• 需要提供HDFS路径的参数，会自动识别为hdfs://

除非明确需要写或不写会有BUG，否则一般不用写协议头

 ②命令的基本形式

hadoop命令（老版本用法）：hadoop fs [generic options]

hdfs命令（新版本用法）：hdfs fs [generic options]

③创建文件夹

hadoop fs -mkdir [-p] <path> ...

hdfs dfs -mkdir [-p] <path> ...

path：为待创建的目录

-p：与Linux mkdir -p一致，它会沿着路径创建父目录

④查看指定目录下内容

 hadoop fs -ls [-h] [-R] [<path> ...]

hdfs dfs -ls [-h] [-R] [<path> ...]

 path：指定目录路径

-h：人性化显示文件size

-R：递归查看指定目录及其子目录

⑤上传文件到HDFS指定目录下

hadoop fs -put [-f] [-p] <localsrc> ... <dst>

hdfs dfs -put [-f] [-p] <localsrc> ... <dst>

-f：覆盖目标文件（已存在下）

-p：保留访问和修改时间，所有权和权限

localsrc：本地文件系统（客户端所在机器）

dst：目标文件系统（HDFS）

⑥查看HDFS

读取指定文件全部内容，显示在标准输出控制台

hadoop fs -cat <src> ...

hdfs dfs -cat <src> ...

 读取大文件可以使用管道符配合more

hadoop fs -cat <src> | more

hdfs dfs -cat <src> | more

 ⑦下载HDFS文件

hadoop fs -get [-f] [-p] <src> ... <localdst>

hdfs dfs -get [-f] [-p] <src> ... <localdst>

 下载文件到本地文件系统指定目录，localdst必须是目录

-f：覆盖目标文件（已存在下）

-p：保留访问和修改时间，所有权和权限。

⑧拷贝HDFS文件

hadoop fs -cp [-f] <src> ... <src>

hdfs dfs -cp [-f] <src> ... <src>

 -f：覆盖目标文件（已存在下）

⑨追加数据到HDFS文件中

hadoop fs -appendToFile <localsrc> ... <dst>

hdfs dfs -appendToFile <localsrc> ... <dst>

 将所有给定本地文件的内容追加到给定dst文件

dst如果文件不存在，将创建该文件

如果<localsrc>为-，则输入为从标准输入中读取

⑩HDFS数据移动操作

hadoop fs -mv <src> ... <dst>

hdfs dfs -mv <src> ... <dst>

 移动文件到指定文件夹下

可以使用该命令移动数据，重命名文件的名称

⑪HDFS数据删除操作

hadoop fs -rm -r [-skipTrash] URI [URI ...]

hdfs dfs -rm -r [-skipTrash] URI [URI ...]

 删除指定路径的文件夹

-skipTrash跳过回收站，直接删除

注：回收站功能默认关闭，如果要开启需要在core-site.xml内配置

<property>

<name>fs.trash.interval</name>

<value>1440</value>

</property>

<property>

<name>fs.trash.checkpoint.interval</name>

<value>120</value>

</property>

无需重启集群，在哪个机器配置的，在哪个机器执行命令就生效。回收站默认位置在：/user/用户名(hadoop)/.Trash

HDFS shell其他命令

命令官方提供的指导文档hadoop.apache.org/docs/r3.3.4/hadoop-project-dist/hadoop-common/FileSystemShell.htmlhttps://hadoop.apache.org/docs/r3.3.4/hadoop-project-dist/hadoop-common/FileSystemShell.html

3、HDFS权限

①HDFS文件系统使用和Linux一样逻辑的权限控制体系

②Linux的超级用户是root

HDFS文件系统的超级用户：是启动namenode的用户

③修改权限

• 修改所属用户和组

hadoop fs -chown [-R] root:root /xxx.txt

hdfs dfs -chown [-R] root:root /xxx.txt

• 修改权限

hadoop fs -chmod [-R] 777 /xxx.txt

hdfs dfs -rm -r [-skipTrash] URI [URI ...]

五  、HDFS的存储原理

1、存储原理

①分布式文件存储：每个服务器（节点）存储文件的一部分

②HDFS设定统一的管理单位--block块(HDFS最小的存储单位，每个256MB,可修改大小),来解决文件大小不一,不利于统一管理的问题

③在HDFS上,数据block块可以有多个副本,来提高数据的安全性

2、fsck命令

•  除了配置文件外,还可以在上传文件的时候,临时决定被上传文件以多少个副本存储,

hadoop fs -D dfs.replication=2 -put test.txt /tmp/

 如上命令,就可以在上传test.txt的时候,临时设置其副本数为2

• 对于已经存在HDFS的文件，修改dfs.replication属性不会生效,如果要修改已存在文件可以通过命令

hadoop fs -setrep [-R] 2 path

 如上命令,指定path的内容将会被修改为2个副本存储

-R: 可选,使用-R表示对子目录也生效

• 检查文件的副本数

hdfs fsck path [-files [-blocks [-location]]]

 fsck可以检查指定路径是否正常

-files: 可以列出路径内的文件状态

-files -blocks: 输出文件块报告(有几个块,多少副本)

-files -blocks -locations : 输出每一个block块的详情

• block配置

hdfs默认设置为256MB一个块,也就是1GB文件会被划分为４个block存储

3、NameNode元数据

• edits文件

NameNode基于一批edits和一个fsimage文件的配合完成整个文件系统的管理和维护

 

 edits文件: 是一个流水账文件,记录了hdfs中的每一次操作,以及本次操作影响的文件其对应的block

• faimage文件: 将全部的edits文件,合并为最终结果,即可得到一个FSImage文件
• NameNode元数据管理维护

NameNode基于edits和FSInage的配合,完成整个文件系统文件的管理

①每次对HDFS的操作，均被edits文件记录

②edits达到大小上线后,开启新的edits记录

③定期进行edits的合并操作

        如当前没有fsimage文件,将全部的edits合并为第一个fsimage

        如当前已存在fsimage文件,将全部edits和已存在的fsimage进行合并,形成新的fsimage

• 元数据合并控制参数

对于元数据的合并,是一个定时过程,基于:

dfs.namenode.checkpoint.period, 默认3600(秒)即1小时

dfs.namenode.checkpoint.txns, 默认1000000,即100W次事务

只要有一个达到条件就执行

 检查是否达到条件,默认60秒检查一次,基于:

dfs.namenode.checkpoint.check.period, 默认60(秒),来决定

•  SecondaryNameNode的作用

SecondaryNameNode会通过http从NameNode拉取数据(edits和fsimage),然后合并完成后提供给NameNode使用.

总结:

1、NameNode基于---edits记录每次操作、fsimage记录某一个时间节点前的当前文件系统全部文件的状态和信息，维护整个文件系统元数据

2、edits文件会被合并到fsimage中，这个合并由SecondaryNameNode来操作

3、fsimage记录的内容是：

4、HDFS数据的读写流程

①数据写入流程

步骤：

1、客户端向NameNode发起请求

2、NameNode审核权限、剩余空间后，满足条件允许写入，并告知客户端写入的DataNode地址

3、客户端向指定的DataNode发送数据包

4、被写入数据的DataNode同时完成数据副本的复制工作，将其接收的数据分发给其它DataNode

5、如上图，DataNode1复制给DataNode2，然后基于DataNode2复制给Datanode3和DataNode4

6、写入完成客户端通知NameNode，NameNode做元数据记录工作

 关键信息点：

• NameNode不负责数据写入，只负责元数据记录和权限审批
• 客户端直接向1台DataNode写数据，这个DataNode一般是离客户端最近（网络距离）的那一个
• 数据块副本的复制工作，由DataNode之间自行完成（构建一个PipLine，按顺序复制分发，如图1给2, 2给3和4）

②数据读取流程

 步骤：

1、客户端向NameNode申请读取某文件

2、 NameNode判断客户端权限等细节后，允许读取，并返回此文件的block列表

3、客户端拿到block列表后自行寻找DataNode读取即可

 关键点：

• 数据同样不通过NameNode提供

• NameNode提供的block列表，会基于网络距离计算尽量提供离客户端最近的，这是因为1个block有3份，会尽量找离客户端最近的那一份让其读取

注：

最近的距离就是在同一台机器，其次就是同一个局域网（交换机），再其次就是跨越交换机，再其次就是跨越数据中心

HDFS内置网络距离计算算法，可以通过IP地址、路由表来推断网络距离