HDFS

HDFS

• hadoop三个组件:HDFS MapReduce Yarn
• HDFS是分布式文件系统
• 文件切块，副本存放，元数据
• 目录结构及文件分块位置信息(元数据)的管理由namenode节点承担
  namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）
• 文件的各个block的存储管理由datanode节点承担
  datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication，默认是3）

HDFS命令行客户端使用

• hadoop fs -ls /

常用命令参数

• 显示目录信息
  hadoop fs -ls hdfs://hadoop-server01:9000/
• 创建目录
  hadoop fs -mkdir -p /a/b/c/d
• 从本地剪切粘贴到hdfs
  hadoop fs -moveFromLocal /home/a.txt /a/b/c/d
• 从hdfs复制粘贴到本地
  hadoop fs -copyToLocal /a/b/c/d/a.txt /home
• 追加一个文件到已经存在的文件末尾
  hadoop fs -appendToFile ./hello.txt /hello.txt
• 显示文件内容
  hadoop fs -cat /hello.txt
• 显示一个文件的末尾
  hadoop fs -tail /hello.txt
• 以字符形式打印一个文件的内容
  hadoop fs -text /hello.txt
• 文件权限
  -chgrp -chmod -chown
  hadoop fs -chmod 666 /hello.txt
  hadoop fs -chown someuser:somegrp /hello.txt
• 从hdfs的一个路径拷贝hdfs的另一个路径
  hadoop fs -cp /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
• 移动文件
  hadoop fs -mv /aaa/jdk.tar.gz /
• 从hdfs下载文件到本地
  hadoop fs -get /aaa/jdk.tar.gz
• 合并下载多个文件
  hadoop fs -getmerge /aaa/log.* ./log.sum
• 删除文件或文件夹
  hadoop fs -rm -r /aaa/bbb/
• 删除空目录
  hadoop fs -rmdir /aaa/bbb/ccc
• 统计文件系统的可用空间信息
  hadoop fs -df -h /
• 统计文件夹的大小信息
  hadoop fs -du -s -h /aaa
• 统计一个指定目录下的文件节点数量
  hadoop fs -count /aaa/
• 设置hdfs中文件的副本数量
  hadoop fs -setrep 3 /aaa/jdk.tar.gz
• 查看dfs集群工作状态
  hdfs dfsadmin -report

HDFS的工作机制

• 1.HDFS集群分为两大角色：NameNode、DataNode (Secondary Namenode)
• 2.NameNode负责管理整个文件系统的元数据
• 3.DataNode 负责管理用户的文件数据块
• 4.文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上
• 5.每一个文件块可以有多个副本，并存放在不同的datanode上
• 6.Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量
• 7.HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行

HDFS写数据流程

• 客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本
  
  1、根namenode通信请求上传文件，namenode检查目标文件是否已存在，父目录是否存在
  2、namenode返回是否可以上传
  3、client请求第一个 block该传输到哪些datanode服务器上
  4、namenode返回3个datanode服务器ABC
  5、client请求3台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完成，逐级返回客户端
  6、client开始往A上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答
  7、当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。

HDFS读数据流程

• 客户端将要读取的文件路径发送给namenode，namenode获取文件的元信息（主要是block的存放位置信息）返回给客户端，客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件