【大数据】Hadoop （二） HDFS

课程链接：
尚硅谷大数据Hadoop 3.x（入门搭建+安装调优）_哔哩哔哩_bilibili

(Hadoop到底是干什么用的？ - 知乎 (zhihu.com)

资料

Hadoop中文文档 (apache.org)

第 1 章 HDFS 概述

1.1 HDFS 产出背景及定义

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。

2、HDFS 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。

3、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。

1.2 HDFS 优缺点

优点

1、高容错性
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。

• 某一个副本丢失以后，它可以自动恢复。

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

HDFS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。

• 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。

1.3 HDFS 组成架构

1、NameNode（nn）：就是Master，它是一个主管、管理者。

• 管理HDFS的名称空间；
• 配置副本策略；
• 管理数据块（Block）映射信息；
• 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。

• 存储实际的数据块；
• 执行数据块的读/写操作。

3、Client：就是客户端。

• 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；
• 与NameNode交互，获取文件的位置信息；
• 与DataNode交互，读取或者写入数据；
• Client提供一些命令来管理HDFS，比如NameNode格式化；
• Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；

4、Secondary NameNode：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。

• 辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；
• 在紧急情况下，可辅助恢复NameNode。

1.4 HDFS 文件块大小（面试重点）

​ 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。

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。

机器硬盘 100M/s =>设置 块的大小为128M ，固态硬盘 200M/s =>设置 块的大小为156

总结：HDFS块的大小设置主要取决于磁盘传输速率。

第 2 章 HDFS 的 Shell 操作（开发重点）

基本语法

hadoop fs 具体命令 或 hdfs dfs 具体命令 两个是完全相同的。

命令大全

[root@hadoop102 ~]$ hadoop fs
Usage: hadoop fs [generic options]
	[-appendToFile <localsrc> ... <dst>]
	[-cat [-ignoreCrc] <src> ...]
	[-checksum <src> ...]
# ...

常用命令实操

2.1 准备工作

1）启动 Hadoop 集群（方便后续的测试）

[root@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[root@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh

2）-help：输出这个命令参数

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -help rm

3）创建/sanguo 文件夹

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /mytest

2.2上传

1、-moveFromLocal：从本地剪切粘贴到 HDFS

$ hadoop fs -moveFromLocal mytest/test.txt /mytest

[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
Hello Hadoop
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -moveFromLocal mytest/test.txt /mytest
2022-02-18 20:42:29,398 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
cat: mytest/test.txt: No such file or directory

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

$ hadoop fs -copyFromLocal mytest/test.txt /mytest

[root@hadoop102 hadoop-3.1.3]$ echo "Hello Hadoop" >> mytest/test.txt
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -rm /mytest/test.txt
Deleted /mytest/test.txt
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -copyFromLocal mytest/test.txt /mytest
2022-02-18 20:45:52,754 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
Hello Hadoop

4、-put：等同于 copyFromLocal，生产环境更习惯用 put

$ hadoop fs -put mytest/test.txt /mytest

5、-appendToFile：追加一个文件到已经存在的文件末尾

[root@hadoop102 hadoop-3.1.3]$ echo "一个平凡de人" >> mytest/test2.txt
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -appendToFile mytest/test2.txt /mytest/test.txt

• File contents

Hello Hadoop
一个平凡de人

2.3.3 下载

1、-copyToLocal：从 HDFS 拷贝到本地

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal /mytest/test.txt mytest
2022-02-18 20:52:12,853 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
Hello Hadoop
一个平凡de人

2、-get：等同于 copyToLocal，生产环境更习惯用 get

$ hadoop fs -get /mytest/test.txt mytest

2.4 HDFS 直接操作

1、-ls: 显示目录信息

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -ls /mytest
Found 1 items
-rw-r--r--   3 root supergroup         31 2022-02-18 20:48 /mytest/test.txt

2、-cat：显示文件内容

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -cat /mytest/test.txt
2022-02-18 20:54:05,064 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
Hello Hadoop
一个平凡de人

3、-chgrp、-chmod、-chown：Linux 文件系统中的用法一样，修改文件所属权限

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -chmod 777 /mytest/test.txt
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -chown root:root /mytest/test.txt

4、-mkdir：创建路径

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /mytest02

5、-cp：从 HDFS 的一个路径拷贝到 HDFS 的另一个路径

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -cp /mytest/test.txt /mytest02

6、-mv：在 HDFS 目录中移动文件

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /mytest02/test.txt /

7、-tail：显示一个文件的末尾 1kb 的数据

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -tail /mytest/test.txt

8、-rm：删除文件或文件夹

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -rm /mytest/test.txt

9、-rm -r：递归删除目录及目录里面内容

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /mytest

10、-du 统计文件夹的大小信息

[root@hadoop102 ~]$ hadoop fs -du -s -h /mytest
31  93  /mytest
[root@hadoop102 ~]$ hadoop fs -du -h /mytest
31  93  /mytest/test.txt

说明：27 表示文件大小；81 表示 27*3 个副本；/mytest表示查看的目录

11、-setrep：设置 HDFS 中文件的副本数量

[root@hadoop102 hadoop-3.1.3]$ hadoop fs -setrep 4 /mytest/test.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。

第 3 章 HDFS 的 API 操作

windows 远程访问和操作 集群

3.1 客户端环境准备

1、找到资料包路径下的 Windows 依赖文件夹，拷贝 hadoop-3.1.0 到非中文路径。

H:\Web-tool\hadoop-3.1.0\bin

2、配置 HADOOP_HOME 环境变量

%HADOOP_HOME%\bin

3、验证 Hadoop 环境变量是否正常。双击 winutils.exe，如果报如下错误。说明缺少微软运行库（正版系统往往有这个问题）。再资料包里面有对应的微软运行库安装包双击安装即可。

4、在 IDEA 中创建一个 Maven 工程 HdfsClientDemo，并导入相应的依赖坐标+日志添加

<dependencies>
    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-client</artifactId>
        <version>3.1.3</version>
    </dependency>
    <dependency>
        <groupId>junit</groupId>
        <artifactId>junit</artifactId>
        <version>4.12</version>
    </dependency>
    <dependency>
        <groupId>org.slf4j</groupId>
        <artifactId>slf4j-log4j12</artifactId>
        <version>1.7.30</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、创建包名：com.atguigu.hdfs

7、创建 HdfsClient 类

package com.atguigu.hdfs;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.junit