hadoop系列三：Hdfs详解

编辑时间：2020-02-11 20:59 作者：毛毛小妖浏览量：771 评论数：0

一、HDFS概述

1.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，有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的使用场景：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。

2.HDFS优缺点

2.1.优点

1）高容错性

数据自动保存为多个副本，通过增加副本的形式提高容错性。

某一个副本丢失以后，可以自动恢复。

2）适合处理大数据

能处理GB、TB甚至PB级别的数据

3）可构建在廉价机器上，通过多副本机制，提高可靠性

2.2.缺点

1）不适合低延时数据访问，比如毫秒级的数据存储，是做不到的

2）无法高效的对大量小文件进行文件存储

3）不支持并发写入、文件随机修改

3.HDFS组成架构

4.HDFS文件块大小

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。

总结：HDFS块的大小设置主要取决于磁盘传输速率。

二、HDFS的shell操作

1.基本语法

hadoop fs 具体命令

2.命令大全

按照数据的流向分为三类

2.1.本地-》HDFS

序号	命令	说明
1	put	上传文件
2	copyFromLocal	上传文件，和put完全一致
3	moveFromLocal	上传文件，并删除本地文件
4	appendToFile	追加文件

2.2.HDFS-》HDFS

序号	命令	说明
1	cp	复制
2	mv	重命名
3	chown	修改文件所属关系
4	chgrp	改变文件组
5	chmod	修改文件权限
6	mkdir	创建目录
7	du	查看文件大小
8	df	查看hdfs剩余空间
9	cat	查看文件内容
10	rm	删除文件或目录

2.3.HDFS-》本地

序号	命令	说明
1	get	下载文件
2	getmerge	下载并覆盖本地文件
3	copyToLocal	下载文件，和get完全一致

三、HDFS客户端操作

1.客户端准备

下载hadoop的jar包并解压，配置HADOOP_HOME环境变量

2.建工程

创建一个maven工程HdfsClientDemo

3.导入相应的依赖

<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>2.7.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-client</artifactId>
			<version>2.7.2</version>
		</dependency>
		<dependency>
			<groupId>org.apache.hadoop</groupId>
			<artifactId>hadoop-hdfs</artifactId>
			<version>2.7.2</version>
		</dependency>
		<dependency>
			<groupId>jdk.tools</groupId>
			<artifactId>jdk.tools</artifactId>
			<version>1.8</version>
			<scope>system</scope>
			<systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
		</dependency>
</dependencies>

4.加日志

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

5.建包名

创建包名：com.atguigu.hdfs

6.建类

创建HdfsClient类

public class HdfsClient{	
@Test
public void testMkdirs() throws IOException, InterruptedException, URISyntaxException{
		
		// 1 获取文件系统
		Configuration configuration = new Configuration();
		// 配置在集群上运行
		// configuration.set("fs.defaultFS", "hdfs://hadoop102:9000");
		// FileSystem fs = FileSystem.get(configuration);

		FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
		
		// 2 创建目录
		fs.mkdirs(new Path("/1108/daxian/banzhang"));
		
		// 3 关闭资源
		fs.close();
	}
}

7.测试

package com.atguigu.hdfs;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.junit.After;
import org.junit.Before;
import org.junit.Test;

import java.io.BufferedReader;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URI;
import java.net.URISyntaxException;

public class HdfsClient {
    private  static FileSystem fs = null;

    static{
        Configuration configuration = new Configuration();
        configuration.set("fs.defaultFS","hdfs://192.168.135.102:9000");
        configuration.set("dfs.replication", "3");
        try {
            fs = FileSystem.get(new URI("hdfs://192.168.135.102:9000"), configuration, "atguigu");
        } catch (IOException e) {
            e.printStackTrace();
        } catch (InterruptedException e) {
            e.printStackTrace();
        } catch (URISyntaxException e) {
            e.printStackTrace();
        }
    }
    @Before
    public void before(){
        Configuration configuration = new Configuration();
        configuration.set("fs.defaultFS","hdfs://192.168.135.102:9000");
        configuration.set("dfs.replication", "3");
        try {
           fs = FileSystem.get(new URI("hdfs://192.168.135.102:9000"), configuration, "atguigu");
        } catch (IOException e) {
            e.printStackTrace();
        } catch (InterruptedException e) {
            e.printStackTrace();
        } catch (URISyntaxException e) {
            e.printStackTrace();
        }
    }

    @After
    public void after(){
        try {
            fs.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
     * 创建目录
     */
    @Test
    public void testMkdirs() {
        try {
            fs.mkdirs(new Path("/hello1"));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
     * 上传文件
     */
    @Test
    public void testCopyFromLocalFile(){
        try {
            fs.copyFromLocalFile(new Path("D:/shengyu/testFilePut.txt"),new Path("/hello/world/1.txt"));
            System.out.println("over");
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
     * 下载文件
     */
    @Test
    public void testCopyToLocalFile(){
        try {
            fs.copyToLocalFile(false,new Path("/test.txt"),new Path("D:/test.txt"),true);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    /**
     * 重命名
     * @throws IOException
     */
    @Test
    public void testRename() throws IOException {
        fs.rename(new Path("/test.txt"),new Path("/test_1.txt"));
    }

    /**
     * 列出所有文件
     * @throws IOException
     */
    @Test
    public void testListFiles() throws IOException {
        RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
        while(listFiles.hasNext()){
            LocatedFileStatus status = listFiles.next();
            System.out.println(status.getPath().getName());
            System.out.println(status.getLen());
            System.out.println(status.getPermission());
            System.out.println(status.getGroup());
            BlockLocation[] blockLocations = status.getBlockLocations();
            for(BlockLocation blockLocation : blockLocations){
                String[] hosts = blockLocation.getHosts();
                for (String host : hosts) {
                    System.out.println(host);
                }
            }
            System.out.println("-----------班长的分割线----------");
        }
    }

    /**
     * 执行ls
     * @throws IOException
     */
    @Test
    public void testListStatus() throws IOException {
        FileStatus[] fileStatuses = fs.listStatus(new Path("/"));
        for(FileStatus fileStatuse : fileStatuses){
            if (fileStatuse.isFile()) {
                System.out.println("文件名："+fileStatuse.getPath().getName());
            } else {
                System.out.println("目录名："+fileStatuse.getPath().getName());
            }
        }
    }

    /**
     * 执行cat
     * @throws IOException
     */
    @Test
    public void cat() throws IOException {
        FSDataInputStream in = fs.open(new Path("/test_1.txt"));
        BufferedReader d = new BufferedReader(new InputStreamReader(in));
        String line = null;
        while((line = d.readLine()) != null){
            String[] s = line.split(" ");
            for (int i = 0; i < s.length; i++) {
                System.out.println(s[i]);
            }
        }

        System.out.println("over");
        d.close();
        in.close();
    }

    public static void main(String[] args) throws IOException {
        catFiles(new Path("/"));
    }

    public static void catFiles(Path path) throws IOException {
        FileStatus[] fileStatuses = fs.listStatus(path);
        for(FileStatus fileStatuse : fileStatuses){
            if (fileStatuse.isFile()) {
                System.out.println("文件名："+fileStatuse.getPath().getName());
                System.out.println("文件路径："+fileStatuse.getPath());
                System.out.print("文件内容：");
                readfile(fileStatuse.getPath());
                System.out.println("==============================================");
            } else {
                catFiles(fileStatuse.getPath());
            }
        }
    }

    public static void readfile(Path path) throws IOException {
        FSDataInputStream in = fs.open(path);
        String fileContent = null;
        ByteArrayOutputStream outputStream = new ByteArrayOutputStream(in.available());
        byte[] b = new byte[1024];
        int numBytes = 0;
        while ((numBytes = in.read(b)) > 0) {
            outputStream.write(b, 0, numBytes);
        }
        fileContent = new String(outputStream.toByteArray(), "gbk");
        System.out.println(fileContent);
        in.close();
    }
}

四、HDFS的数据流

1.HDFS写数据流程

1.1.HDFS些数据流程如下

1）客户端通过Distributed FileSystem模块向NameNode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）客户端请求第一个 Block上传到哪几个DataNode服务器上。

4）NameNode返回3个DataNode节点，分别为dn1、dn2、dn3。

5）客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。

6）dn1、dn2、dn3逐级应答客户端。

7）客户端开始往dn1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，dn1收到一个Packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答。

8）当一个Block传输完成之后，客户端再次请求NameNode上传第二个Block的服务器。（重复执行3-7步）。

1.2.网络拓扑-节点距离计算

在HDFS写数据的过程中，NameNode会选择距离待上传数据最近距离的DataNode接收数据。那么这个最近距离怎么计算呢？

节点距离：两个节点到达最近的共同祖先的距离总和。

例如，假设有数据中心d1机架r1中的节点n1。该节点可以表示为/d1/r1/n1。利用这种标记，这里给出四种距离描述，如上图所示。

大家算一算每两个节点之间的距离，如下图所示。

1.3.机架感知（副本存储结点选择）

2.HDFS读数据流程

1）客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。

2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。

3）DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。

4）客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。

五、NameNode和SecondaryNameNode

1.NN和2NN工作机制

思考：NameNode中的元数据是存储在哪里的？

首先，我们做个假设，如果存储在NameNode节点的磁盘中，因为经常需要进行随机访问，还有响应客户请求，必然是效率过低。因此，元数据需要存放在内存中。但如果只存在内存中，一旦断电，元数据丢失，整个集群就无法工作了。因此产生在磁盘中备份元数据的FsImage。

这样又会带来新的问题，当在内存中的元数据更新时，如果同时更新FsImage，就会导致效率过低，但如果不更新，就会发生一致性问题，一旦NameNode节点断电，就会产生数据丢失。因此，引入Edits文件(只进行追加操作，效率很高)。每当元数据有更新或者添加元数据时，修改内存中的元数据并追加到Edits中。这样，一旦NameNode节点断电，可以通过FsImage和Edits的合并，合成元数据。

但是，如果长时间添加数据到Edits中，会导致该文件数据过大，效率降低，而且一旦断电，恢复元数据需要的时间过长。因此，需要定期进行FsImage和Edits的合并，如果这个操作由NameNode节点完成，又会效率过低。因此，引入一个新的节点SecondaryNamenode，专门用于FsImage和Edits的合并。

NN和2NN工作机制，如图:

1.1. 第一阶段：NameNode启动

（1）第一次启动NameNode格式化后，创建Fsimage和Edits文件。如果不是第一次启动，直接加载编辑日志和镜像文件到内存。

（2）客户端对元数据进行增删改的请求。

（3）NameNode记录操作日志，更新滚动日志。

（4）NameNode在内存中对元数据进行增删改。

1.2.第二阶段：Secondary NameNode工作

（1）Secondary NameNode询问NameNode是否需要CheckPoint。直接带回NameNode是否检查结果。

（2）Secondary NameNode请求执行CheckPoint。

（3）NameNode滚动正在写的Edits日志。

（4）将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode。

（5）Secondary NameNode加载编辑日志和镜像文件到内存，并合并。

（6）生成新的镜像文件fsimage.chkpoint。

（7）拷贝fsimage.chkpoint到NameNode。

（8）NameNode将fsimage.chkpoint重新命名成fsimage。

2.Fsimage和Edits解析

2.1.概念

2.2.查看Fsimage文件

查看oiv和oev命令

hdfs oiv -p 文件类型 -i镜像文件 -o 转换后文件输出路径

3.NameNode故障处理

NameNode故障后，将SecondaryNameNode中数据拷贝到NameNode存储数据的目录；

3.1. kill -9 NameNode进程

3.2.删除NameNode存储的数据

rm -rf /opt/module/hadoop-2.7.2/data/tmp/dfs/name/*

3.3.拷贝SecondaryNameNode中数据到原NameNode存储数据目录

scp -r atguigu@hadoop104:/opt/module/hadoop-2.7.2/data/tmp/dfs/namesecondary/* ./name/

3.4.重新启动NameNode

sbin/hadoop-daemon.sh start namenode

4.集群安全模式

六、DataNode

1.DataNode工作机制

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。

2.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，如图:

3.服役新节点

3.1. 需求

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。

3.2. 环境准备

（1）在hadoop104主机上再克隆一台hadoop105主机

（2）修改IP地址和主机名称

（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

3.3.启动新节点

直接启动DataNode，即可关联到集群

sbin/hadoop-daemon.sh start datanode
sbin/yarn-daemon.sh start nodemanager

4.退役旧节点

使用黑名单机制退役旧节点，在黑名单上面的主机都会被强制退出。

4.1.编辑黑名单文件

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

vi dfs.hosts.exclude
hadoop105

4.2.修改hdfs-site.xml

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>

4.3.刷新NameNode、刷新ResourceManager

hdfs dfsadmin -refreshNodes
yarn rmadmin -refreshNodes

5.DataNode多目录配置

5.1.解释

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

5.2.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>

七、HDFS2.X新特性

1.集群间数据拷贝

采用distcp命令实现两个Hadoop集群之间的递归数据复制

bin/hadoop distcp
hdfs://hadoop102:9000/user/atguigu/hello.txt hdfs://hadoop103:9000/user/atguigu/hello.txt