HDFS 教程（超详细）

1. HDFS 介绍

1.1 HDFS 背景及定义

1. HDFS 产生背景

     随着数据量越来越大，在一个操作系统管辖的范围内存不下了，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。

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 的设计适合一次写入，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。

1.2 HDFS 的优缺点

1. 优点

   （1）高容错性

     ① 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。
     ② 某一个副本丢失以后，它可以自动恢复。

   （2）适合大数据处理

     ① 数据规模：能够处理数据规模达到 GB、TB、甚至 PB 级别的数据。
     ② 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）流式数据访问，它能保证数据的一致性。
   （4）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。

     ① 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。
     ② 小文件存储的寻道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

     ① 一个文件只能有一个写，不允许多个线程同时写。
     ② 仅支持数据 append（追加），不支持文件的随机修改。

1.3 HDFS 组成架构

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，然后进行存储。
   （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，比如启动或者关闭 HDFS。
   （5）Client 可以通过一些命令来访问 HDFS。

2. NameNode： 就是 Master，它是一个主管、管理者。

   （1）管理 HDFS 的名称空间。
   （2）管理数据块（Block）映射信息。
   （3）配置副本策略。
   （4）处理客户端读写请求。

3. 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。

4. SecondaryNameNode： 并非 NameNode 的热备。当 NameNode 挂掉时，它并不能马上替换 NameNode 并提供服务。

   （1）辅助 NameNode，分担其工作量。
   （2）定期合并 Fsimage 和 Edits，并推送给 NameNode。
   （3）在紧急情况下，可辅助恢复 NameNode。

1.4 HDFS 文件块大小

1. 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 版本中是128M，老版本中是 64M。

2. HDFS 的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，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。因而，传输 一个由多个块组成的文件的时间取决于磁盘传输速率。

3. 如果寻址时间约为 10ms，而传输速率为 100MB/s，为了使寻址时间仅占传输时间的 1%，我们要将块大小设置约为 100MB。默认的块大小 128MB。
   块的大小：10ms*100*100M/s = 100M

   思考： 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；
   （2）如果块的设置太大，从磁盘传输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 块大小设置主要取决于磁盘传输速率。

2. HDFS 的 Shell 操作

1. 基本语法

   hadoop fs 具体命令 或 hdfs dfs 具体命令

2. 命令大全
   

3. 常用命令

命令	说明	举例
-help	输出这个命令参数	hadoop fs -help rm
-ls	显示目录信息	hadoop fs -ls /
-mkdir	在 HDFS 上创建目录	hadoop fs -mkdir -p /usr/input
-rmdir	删除空目录	hadoop fs -rmdir /test
-rm	删除文件或文件夹	hadoop fs -rm /usr/input/test.txt
-moveFromLocal	从本地剪切粘贴到 HDFS	hadoop fs -moveFromLocal a.txt /usr/input
-copyFromLocal	从本地文件系统中拷贝文件到 HDFS 路径去	hadoop fs -copyFromLocal c.txt /
-copyToLocal	从 HDFS 拷贝到本地	hadoop fs -copyToLocal /usr/input/a.txt
-appendToFile	追加一个文件到已经存在的文件末尾	hadoop fs -appendToFile b.txt /usr/input/a.txt
-cat	显示文件内容	hadoop fs -cat /usr/input/a.txt
-cp	从 HDFS 的一个路径拷贝到 HDFS 的另一个路径	hadoop fs -cp /usr/input/a.txt /f.txt
-mv	在 HDFS 目录中移动文件	hadoop fs -mv /f.txt /usr/input/
-get	等同于 copyToLocal	hadoop fs -get /usr/input/a.txt
-put	等同于 copyFromLocal	hadoop fs -put d.txt /usr/input/
-getmerge	合并下载多个文件	hadoop fs -getmerge /usr/input/* ./tmp.txt
-tail	显示一个文件的末尾	hadoop fs -tail /usr/input/a.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 /usr/input/a.txt hadoop fs -chown lyh:dell /usr/input/a.txt
-du	统计文件夹的大小信息	hadoop fs -du -s -h /usr/input hadoop fs -du -h /usr/input
-setrep	设置 HDFS 中文件的副本数量	hadoop fs -setrep 10 /usr/input/a.txt

说明： 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。

3. HDFS 客户端操作

3.1 HDFS 客户端环境准备

1. 将 hadoop 的安装包解压到本系统到非中文路径（E:\hadoop\hadoop-2.7.7）

2. 配置 HADOOP_HOME 环境变量

   
   

3. 创建一个 Maven 工程 hdfs，创建一个 module 为 HdfsClientDemo

4. 导入相应的依赖坐标 + 日志添加

<dependencies>
    <dependency>
        <groupId>junit</groupId>
        <artifactId>junit</artifactId>
        <version>RELEASE</version>
    </dependency>
    <dependency>
        <groupId>org.apache.logging.log4j</groupId>
        <artifactId>log4j-core</artifactId>
        <version>2.8.2</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>2.7.7</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>2.7.7</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-hdfs</artifactId>
        <version>2.7.7</version>
    </dependency>
</dependencies>

5. 在项目的 src/main/resources 目录下，新建一个文件，命名为 log4j.properties，在文件中填入

log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

6. 创建包 hdfs 并创建 HdfsClient 类

package hdfs;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

public class HDFSClient {
   

    public static void main(String[] args) throws IOException, URISyntaxException, InterruptedException {
   

        // 1.获取hdfs客户端对象
        Configuration conf = new Configuration();
//        conf.set("fs.defaultFS", "hdfs://master:9000");
//        FileSystem fs = FileSystem.get(conf);
        FileSystem fs = FileSystem.get