Hadoop-HDFS之Datanode的操作及原理

DataNode详解

Datanode工作机制

箭头所指的第一个文件存放真实的文件块，第二个meta文件是存放一些时间戳，校验和之类的。

1）一个数据块在DataNode上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。
2）DataNode启动后向NameNode注册，通过后，周期性（1小时）的向NameNode上报所有的块信息。
3）心跳是每3秒一次，心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10分钟没有收到某个DataNode的心跳，则认为该节点不可用。
4）集群运行中可以安全加入和退出一些机器。

设置节点掉线时限

当心跳3秒后该节点仍未有反应，那么namenode不会立即认为该节点死亡。

需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒，dfs.heartbeat.interval的单位为秒。

<property>
    <name>dfs.namenode.heartbeat.recheck-interval</name>
    <value>300000</value>
</property>
<property>
    <name> dfs.heartbeat.interval </name>
    <value>3</value>
</property>

数据完整性

1）当DataNode读取Block的时候，它会计算CheckSum。
2）如果计算后的CheckSum，与Block创建时值不一样，说明Block已经损坏。
3）Client读取其他DataNode上的Block。
4）DataNode在其文件创建后周期验证CheckSum。

新节点服役

随着公司业务的增长，数据量越来越大，原有的数据节点的容量已经不能满足存储数据的需求，需要在原有集群基础上动态添加新的数据节点。

1. 环境准备
   （1）在hadoop3主机上再克隆一台hadoop4主机
   （2）修改IP地址和主机名称，告诉新机器namenode和resourcemanager在哪里。
   （3）删除原来HDFS文件系统留存的文件（/opt/module/hadoop-2.7.2/data 和log）
   （4）source 一下配置文件:

直接启动DataNode，即可关联到集群，同理，如果要扩容计算节点，只需启动resourcemanager和nodemanager

退役节点

添加白名单(伪退役)

添加到白名单的主机，都允许访问NameNode，不在白名单的主机，都会被退出。
配置白名单的具体步骤如下：
（1）在NameNode的/opt/module/hadoop-2.7.2/etc/hadoop目录下创建dfs.hosts文件：

[ygp@hadoop1 hadoop]$ pwd
/opt/module/hadoop-2.7.2/etc/hadoop
[ygp@hadoop1 hadoop]$ touch dfs.hosts
[ygp@hadoop1 hadoop]$ vi dfs.hosts

添加如下主机名称（不添加hadoop3）
hadoop1
hadoop2

（2）在NameNode的hdfs-site.xml配置文件中增加dfs.hosts属性

<property>
<name>dfs.hosts</name>
<value>/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts</value>
</property>

（4）刷新NameNode

[ygp@hadoop1hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes

添加黑名单(真退役)

如果是退役datanode节点，要保证在退役前将数据交给其他的datanode。
【注】一个datanode要真的退役，必须在白名单和黑名单同时存在。

1.在NameNode的/opt/module/hadoop-2.7.2/etc/hadoop目录下创建dfs.hosts.exclude文件

[ygp@hadoop1 hadoop]$ pwd
/opt/module/hadoop-2.7.2/etc/hadoop
[ygp@hadoop1 hadoop]$ touch dfs.hosts.exclude
[ygp@hadoop1 hadoop]$ vi dfs.hosts.exclude

添加如下主机名称（要退役的节点）
hadoop3

同时我也要在白名单里加入hadoop3.
2．在NameNode的hdfs-site.xml配置文件中增加dfs.hosts.exclude属性

<property>
<name>dfs.hosts.exclude</name>
      <value>/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts.exclude</value>
</property>

3．刷新NameNode

[ygp@hadoop1 hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes

4.  检查Web浏览器，退役节点的状态为decommission in progress（退役中），说明数据节点正在复制块到其他节点
   

5. 

Datanode多目录配置

1. DataNode也可以配置成多个目录，每个目录存储的数据不一样。即：数据不是副本
   2．具体配置如下

	hdfs-site.xml
<property>
        <name>dfs.datanode.data.dir</name>
<value>file:///${hadoop.tmp.dir}/dfs/data1,file:///${hadoop.tmp.dir}/dfs/data2</value>
</property>

哪个机器需要多目录就在哪个机器配置。
然后存数据的时候是配置的多目录轮流去存块，你存一块，我存一块。

Hadoop归档

（1）需要启动YARN进程
[ygp@hadoop2 hadoop-2.7.2]$ start-yarn.sh
（2）归档文件
	把你自己建的测试目录比如/user/ygp/input里面的所有文件归档成一个叫input.har的归档文件，并把归档后文件存储到/user/ygp/output路径下。
[ygp@hadoop2 hadoop-2.7.2]$ hadoop archive -archiveName input.har –p  /user/ygp/input   /user/ygp/output
（3）查看归档
[ygp@hadoop2 hadoop-2.7.2]$ hadoop fs -lsr /user/ygp/output/input.har
[ygp@hadoop2 hadoop-2.7.2]$ hadoop fs -lsr har:///user/ygp/output/input.har
（4）解归档文件
[ygp@hadoop2 hadoop-2.7.2]$ hadoop fs -cp har:/// user/ygp/output/input.har/*    /user/ygp