Hadoop3教程（三十二）：（生产调优篇）NameNode故障恢复与集群的安全模式

（159）NameNode故障处理

如果NameNode进程挂了并且存储的数据也丢失了，如何恢复NameNode？

首先，我们可以通过以下代码来模拟故障：

（1）kill -9 NameNode进程

[atguigu@hadoop102 current]$ kill -9 19886

（2）删除NameNode存储的数据（/opt/module/hadoop-3.1.3/data/tmp/dfs/name）

[atguigu@hadoop102 hadoop-3.1.3]$ rm -rf /opt/module/hadoop-3.1.3/data/dfs/name/*

接下来，我们开始解决问题：

（1）拷贝SecondaryNameNode中数据到原NameNode存储数据目录

[atguigu@hadoop102 dfs]$ scp -r atguigu@hadoop104:/opt/module/hadoop-3.1.3/data/dfs/namesecondary/* ./name/

（2）重新启动NameNode

[atguigu@hadoop102 hadoop-3.1.3]$ hdfs --daemon start namenode

（3）向集群上传一个文件

那是不是这种方式能完全保证没有数据遗漏呢？

自然是不能的，因为SecondaryNameNode备份数据不是实时的，而是每隔一段时间去备份一次NN，假如正好在这段时间里，NN写入了大量数据，那这些自然 就遗失掉了。

不过现实中一般不会用SecondaryNameNode做备份的方式，而是采用NameNode的高可用HA模式，即启用两个NameNode的方式来容灾。

所以本节的内容做简单了解下就行了。

（160）集群安全模式&磁盘修复

集群安全模式

集群在启动的时候会进入安全模式一段时间，等待数据和节点等加载到一定程度后，才会自动退出安全模式。

当集群处于安全模式中时，文件系统只接受读数据请求，而不接受删除、修改等变更请求。

所以集群启动后，一段时间内，其实是无法上传数据、删除数据的。

什么场景下会进入安全模式呢？

• NameNode在加载镜像文件和编辑日志的时候，会处于安全模式；（就是指集群启动的时候）
• NameNode在接收DataNode注册时，会处于安全模式；
• 数据块的副本缺失。导致某些数据块的可用副本数量少于设置值；
• 。。。

满足什么条件时，集群会退出安全模式呢？

主要是依赖以下三个条件：

dfs.namenode.safemode.min.datanodes：即最小可用datanode数量，默认0。换句话说，集群需要有至少一个DataNode是可用的；

dfs.namenode.safemode.threshold-pct：副本数达到最小要求的block占系统总block数的百分比，默认0.999f。就是说，只要有超过一个块丢了，集群就不能退出安全模式。

dfs.namenode.safemode.extension：稳定时间，默认值30000毫秒，即30秒。即集群处于安全模式已经超过了30s。

以上三个条件都满足时，集群才会自动退出安全模式。对应的这几个参数都是在hdfs-default.xml里进行设置的。

关于安全模式，集群支持的指令有：

（1）bin/hdfs dfsadmin -safemode get	（功能描述：查看安全模式状态）
（2）bin/hdfs dfsadmin -safemode enter （功能描述：进入安全模式状态）
（3）bin/hdfs dfsadmin -safemode leave	（功能描述：离开安全模式状态）
（4）bin/hdfs dfsadmin -safemode wait	（功能描述：等待安全模式状态）

磁盘修复

接下来模拟一下，由于数据块损坏，而进入安全模式的案例。

（1）分别进入hadoop102、hadoop103、hadoop104的/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1015489500-192.168.10.102-1611909480872/current/finalized/subdir0/subdir0目录，统一删除某2个块信息

[atguigu@hadoop102 subdir0]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1015489500-192.168.10.102-1611909480872/current/finalized/subdir0/subdir0

[atguigu@hadoop102 subdir0]$ rm -rf blk_1073741847 blk_1073741847_1023.meta
[atguigu@hadoop102 subdir0]$ rm -rf blk_1073741865 blk_1073741865_1042.meta

说明：hadoop103/hadoop104重复执行以上命令

但是你删除后会发现，集群仍然还在正常工作，也没有进入安全模式。这是因为NameNode还没有发现自己少数据了 。因为默认情况下，DataNode是每隔六小时会向NameNode主动汇报自己的数据情况，只有到那时候，NameNode才知道出事了，才能启动安全模式。

所以在本次模拟中，我们可以采用重新启动集群的方式，让NameNode立马知道出事了。因为集群启动时，各个DataNode会统一向NameNode 汇报自己的数据情况。

​ （2）重新启动集群

[atguigu@hadoop102 subdir0]$ myhadoop.sh stop
[atguigu@hadoop102 subdir0]$ myhadoop.sh start

​ （3）观察http://hadoop102:9870/dfshealth.html#tab-overview

​ 说明：安全模式已经打开，原因是块的数量没有达到要求。

​ （4）手动离开安全模式

[atguigu@hadoop102 subdir0]$ hdfs dfsadmin -safemode get
Safe mode is ON
[atguigu@hadoop102 subdir0]$ hdfs dfsadmin -safemode leave
Safe mode is OFF

​ （5）观察http://hadoop102:9870/dfshealth.html#tab-overview

现在整个集群已经退出了安全模式，可以进行正常的删除和修改，只是界面最上面会一直提示你，少了两个文件块。如果你不准备修复，同时嫌弃这个提示碍眼的话，可以去到HDFS目录里，把这两个文件块对应的元数据给删掉。只要删掉对应的元数据，那么谁都不会知道这两个文件块曾经存在过。

​ （6）将元数据删除

（7）观察http://hadoop102:9870/dfshealth.html#tab-overview，集群已经正常，没有再提示缺文件块了。

等待安全模式

核心是hdfs dfsadmin -safemode wait这个命令。

它的作用是，如果检测到集群处于安全模式中，该命令就会卡住，直到其重新检测到集群已经退出安全模式后，才会退出阻塞状态，继续执行后续的命令。

所以一般用来写一些特殊的脚本，脚本里是你希望在集群退出安全模式后，立即执行的一些处理。

直接抄教程里的例子（当集群退出安全模式后，立即上传指定文件）：

（1）查看当前模式

[atguigu@hadoop102 hadoop-3.1.3]$ hdfs dfsadmin -safemode get

Safe mode is OFF

（2）先进入安全模式

[atguigu@hadoop102 hadoop-3.1.3]$ bin/hdfs dfsadmin -safemode enter

（3）创建并执行下面的脚本

在/opt/module/hadoop-3.1.3路径上，编辑一个脚本safemode.sh

[atguigu@hadoop102 hadoop-3.1.3]$ vim safemode.sh

#!/bin/bash
hdfs dfsadmin -safemode wait
hdfs dfs -put /opt/module/hadoop-3.1.3/README.txt /

[atguigu@hadoop102 hadoop-3.1.3]$ chmod 777 safemode.sh
[atguigu@hadoop102 hadoop-3.1.3]$ ./safemode.sh 

脚本safemode.sh的意思是，如果检测到集群处于安全模式，则阻塞当前进程，直到集群退出安全模式，停止阻塞，然后立刻上传README.txt文件到HDFS。

（4）再打开一个窗口，执行：

[atguigu@hadoop102 hadoop-3.1.3]$ bin/hdfs dfsadmin -safemode leave

（5）再观察上一个窗口：

Safe mode is OFF

（6）HDFS集群上已经有上传的数据了

参考文献

1. 【尚硅谷大数据Hadoop教程，hadoop3.x搭建到集群调优，百万播放】