HDFS的架构优势与基本操作

目录

• 写在前面
• 一、 HDFS概述
• • 1.1 HDFS简介- 1.2 HDFS优缺点- - 1.2.1 优点- 1.2.2 缺点- 1.3 HDFS组成架构- 1.4 HDFS文件块大小
• 二、HDFS的Shell操作（开发重点）
• • 2.1 基本语法- 2.2 命令大全- 2.3 常用命令实操- - 2.3.1 上传- 2.3.2 下载- 2.3.3 HDFS直接操作
• 三、HDFS的API操作
• • 3.1 配置Windows- 3.2 HDFS的API案例实操- - 3.2.1 HDFS文件上传- 3.2.2 HDFS文件下载- 3.2.3 HDFS文件更名和移动- 3.2.4 HDFS删除文件和目录- 3.2.5 HDFS文件详情查看- 3.2.6 HDFS文件和文件夹判断
• 写在最后

写在前面

如今，数据正以指数级增长，各行各业都在追求更多的数据存储、高效的数据处理和可靠的数据基础来驱动业务的发展。Hadoop Distributed File System（HDFS）作为Hadoop生态系统的核心组件之一，成为构建可靠的大数据基础的不二选择之一。本文将深入剖析HDFS的架构与优势。

一、 HDFS概述

1.1 HDFS简介

HDFS（Hadoop分布式文件系统）是Apache Hadoop框架的一部分，设计用于存储和处理大规模数据集的分布式文件系统。HDFS产生的背景主要是为了满足处理大规模数据的需求。

在过去，传统的文件系统难以处理大规模数据集，因为它们通常只能在单个服务器上存储和操作数据。随着大数据时代的到来，企业和组织面临着巨大的数据规模和复杂性。为了应对这个挑战，HDFS被开发出来作为一个高度可靠和高容量的分布式文件系统。

HDFS的设计目标是能够在廉价的硬件上运行，并且能够容纳上千台机器的集群。它通过将数据切分成多个块并将其分散存储在不同的计算节点上，实现了高吞吐量的数据访问和处理能力。此外，HDFS还提供了故障容错功能，能够自动处理存储节点的故障。

简而言之，HDFS是为了解决大规模数据处理问题而设计的，它提供了高可靠性、高扩展性和高吞吐量的分布式文件系统解决方案。

1.2 HDFS优缺点

1.2.1 优点

• 高容错、高可用、高扩展 - 数据冗余多副本、副本丢失后自动恢复- NameNode HA、安全模式- 10K节点规模，通过横向扩展来增加存储容量和处理能力。
• 海量数据存储（高容量） - 典型文件大小GB~TB，百万以上文件数量，PB甚至EB以上数据规模
• 构建成本低、安全可靠 - 构建在廉价的商用服务器上，降低了存储成本和维护成本。- 通过多副本机制，提高可靠性- 提供了容错和恢复机制
• 适合大规模离线批处理 - 流式数据访问- 数据位置暴露给计算框架

1.2.2 缺点

• 不适合低延迟数据访问 - 对于实时数据访问和低延迟要求较高的场景，HDFS的性能可能不够理想
• 不适合大量小文件存储 - 元数据会占用NameNode大量存储空间- 磁盘寻道时间超过读取时间
• 不支持并发写入 - 一个文件同时只能有一个写，不允许多个线程同时写
• 不支持文件随机修改 - 仅支持数据追加

1.3 HDFS组成架构

1. NameNode（nn）： NameNode是HDFS的主节点（Master），负责管理整个文件系统的命名空间和数据块的元数据信息。它维护文件系统的目录结构、文件的安全权限信息和数据块的位置信息等。NameNode还处理客户端的文件系统操作请求，如文件的读写和块的创建、复制和删除等。
2. DataNode（dn）： DataNode是HDFS的工作节点（Slave），负责实际存储文件数据和执行文件系统操作的任务。每个DataNode负责管理一定数量的数据块，并定期向NameNode报告数据块的存储信息。DataNode还处理来自客户端和其他DataNode的读取和写入请求，以及数据块的复制和恢复等。
3. 客户端（Client）： 客户端是使用HDFS的应用程序。它们通过与Namenode和DataNode进行通信来读取和写入文件。客户端向NameNode请求文件的元数据信息，根据元数据信息确定所需数据块的位置，并从DataNode获取数据。客户端还负责处理文件系统的操作，如创建、删除、重命名和移动文件等。

1.4 HDFS文件块大小

HDFS中的文件在物理上是分成一个个数据块（Block）存储的，块的大小可以通过配置参数（dfs.blocksize）来规定，文件块默认大小是128M。

HDFS文件块的大小选择是根据以下考虑因素：

• 吞吐量：较大的文件块大小在处理大文件时可以提供更高的吞吐量。这是因为较大的文件块减少了磁盘寻道和网络传输的开销，使得数据读取和写入能够更加高效。
• 空间利用：较大的文件块可以减少存储元数据的开销。在HDFS中，每个文件块都有一条元数据记录，较小的文件块可能会导致元数据记录数量增加，增加了存储的开销。
• 并行性：较大的文件块可以提高数据的并行处理能力。在HDFS中，数据块是独立存储和处理的，较大的文件块能够在不同的计算节点上并行处理，从而减少整个作业的执行时间。

较大的文件块适合存储大型文件和批量处理任务，但对于小型文件和实时数据处理，较小的文件块可能更加适合。

Q:为什么HDFS文件块的大小不能太大，也不能设置太小呢？
A： 文件块设置太小，会增加寻址的时间；设置太大，会导致数据处理非常慢。

HDFS文件块的大小设置取决于磁盘的传输速率

二、HDFS的Shell操作（开发重点）

2.1 基本语法

hadoop fs 具体命令

或者

hdfs dfs 具体命令

2.2 命令大全

[amo@hadoop102 hadoop-3.2.4]$ bin/hadoop fs
Usage: hadoop fs [generic options][-appendToFile <localsrc>... <dst>][-cat [-ignoreCrc]<src>...][-checksum <src>...][-chgrp [-R] GROUP PATH...][-chmod [-R]<MODE[,MODE]... | OCTALMODE>PATH...][-chown [-R][OWNER][:[GROUP]]PATH...][-copyFromLocal [-f][-p][-l][-d][-t <thread count>][-q <thread pool queue size>]<localsrc>... <dst>][-copyToLocal [-f][-p][-crc][-ignoreCrc][-t <thread count>][-q <thread pool queue size>]<src>... <localdst>][-count [-q][-h][-v][-t [<storage type>]][-u][-x][-e]<path>...][-cp [-f][-p | -p[topax]][-d][-t <thread count>][-q <thread pool queue size>]<src>... <dst>][-createSnapshot <snapshotDir>[<snapshotName>]][-deleteSnapshot <snapshotDir><snapshotName>][-df [-h][<path>...]][-du [-s][-h][-v][-x]<path>...][-expunge [-immediate]][-find <path>... <expression>...][-get [-f][-p][-crc][-ignoreCrc][-t <thread count>][-q <thread pool queue size>]<src>... <localdst>][-getfacl [-R]<path>][-getfattr [-R]{-n name | -d}[-e en]<path>][-getmerge [-nl][-skip-empty-file]<src><localdst>][-head <file>][-help [cmd ...]][-ls [-C][-d][-h][-q][-R][-t][-S][-r][-u][-e][<path>...]][-mkdir [-p]<path>...][-moveFromLocal [-f][-p][-l][-d]<localsrc>... <dst>][-moveToLocal <src><localdst>][-mv <src>... <dst>][-put [-f][-p][-l][-d][-t <thread count>][-q <thread pool queue size>]<localsrc>... <dst>][-renameSnapshot <snapshotDir><oldName><newName>][-rm [-f][-r|-R][-skipTrash][-safely]<src>...][-rmdir [--ignore-fail-on-non-empty]<dir>...][-setfacl [-R][{-b|-k}{-m|-x <acl_spec>}<path>]|[--set <acl_spec><path>]][-setfattr {-n name [-v value]|-x name}<path>][-setrep [-R][-w]<rep><path>...][-stat [format]<path>...][-tail [-f][-s <sleep interval>]<file>][-test -[defswrz]<path>][-text [-ignoreCrc]<src>...][-touch [-a][-m][-t TIMESTAMP (yyyyMMdd:HHmmss)][-c]<path>...][-touchz <path>...][-truncate [-w]<length><path>...][-usage [cmd ...]]

Generic options supported are:
-conf<configuration file>        specify an application configuration file-D<property=value>               define a value for a given property
-fs<file:///|hdfs://namenode:port> specify default filesystem URL to use, overrides 'fs.defaultFS' property from configurations.
-jt<local|resourcemanager:port>  specify a ResourceManager
-files<file1,...>                specify a comma-separated list of files to be copied to the map reduce cluster
-libjars<jar1,...>               specify a comma-separated list of jar files to be included in the classpath
-archives<archive1,...>          specify a comma-separated list of archives to be unarchived on the compute machines

The general command line syntax is:
command[genericOptions][commandOptions]

2.3 常用命令实操

• 创建一个文件夹，用来操作命令

[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -mkdir /amoxilin

• help：输出这个命令参数

[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -helprm

2.3.1 上传

• -moveFromLocal：从本地剪切粘贴到HDFS

# 创建一个测试文件 test.txt，并输入一些内容[amo@hadoop102 hadoop-3.2.4]$ vim test.txt

# 使用 moveFromLocal 命令将test.txt文件移动到 HDFS[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -moveFromLocal ./test.txt /amoxilin

• -copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去

[amo@hadoop102 hadoop-3.2.4]$ vim test1.txt
[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -copyFromLocal test1.txt /amoxilin

• -put：等同于copyFromLocal，生产环境更习惯用put

[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -put test1.txt /amoxilin

• -appendToFile：追加一个文件到已经存在的文件末尾

# 创建一个文件test2.txt 并输入内容： 123[amo@hadoop102 hadoop-3.2.4]$ vim test2.txt

# 将文件 test2.txt 追加到test.txt文件末尾[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -appendToFile test2.txt /amoxilin/test.txt

2.3.2 下载

• -copyToLocal： 从HDFS拷贝到本地

# 将 HDFS 中的test.txt文件copy下来[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -copyToLocal /amoxilin/test.txt ./
[amo@hadoop102 hadoop-3.2.4]$ ls# 查看文件是否拷贝成功  文件夹中有 test.txt，拷贝成功
bin   etc      lib      LICENSE.txt  NOTICE.txt  sbin   test1.txt  test.txt  wcoutput
data  include  libexec  logs         README.txt  share  test2.txt  wcinput
[amo@hadoop102 hadoop-3.2.4]$ 

• -get： 等同于copyToLocal，生产环境更习惯用get

# 将 HDFS 中的test.txt文件copy下来，并起一个其他的名字比如123.txt[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -get /amoxilin/test.txt ./123.txt
[amo@hadoop102 hadoop-3.2.4]$ ls123.txt  etc      libexec      NOTICE.txt  share      test.txt
bin      include  LICENSE.txt  README.txt  test1.txt  wcinput
data     lib      logs         sbin        test2.txt  wcoutput
[amo@hadoop102 hadoop-3.2.4]$ 

2.3.3 HDFS直接操作

• -ls: 显示目录信息

# 查看 HDFS 里amoxilin文件夹的目录结构[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -ls /amoxilin
Found 2 items
-rw-r--r--   3 amo supergroup          92024-03-07 23:33 /amoxilin/test.txt
-rw-r--r--   3 amo supergroup         492024-03-07 23:29 /amoxilin/test1.txt

• -cat： 显示文件内容

# 查看某个文件的详细信息[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -cat /amoxilin/test.txt
test123

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

# 修改文件的权限[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -chmod666 /amoxilin/test.txt
[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -ls /amoxilin
Found 2 items
-rw-rw-rw-   3 amo supergroup          92024-03-07 23:33 /amoxilin/test.txt
-rw-r--r--   3 amo supergroup         492024-03-07 23:29 /amoxilin/test1.txt
# 修改文件的group[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -chown amo:amo/amoxilin/test.txt
[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -ls /amoxilin
Found 2 items
-rw-rw-rw-   3 amo amo                 92024-03-07 23:33 /amoxilin/test.txt
-rw-r--r--   3 amo supergroup         492024-03-07 23:29 /amoxilin/test1.txt

• -mkdir： 创建路径

# 创建文件夹[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -mkdir /csdn

• -cp： 从HDFS的一个路径拷贝到HDFS的另一个路径

# 复制文件[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -cp /amoxilin/test1.txt /csdn

• -mv： 在HDFS目录中移动文件

# 移动文件[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -mv /amoxilin/test.txt /csdn

• -tail： 显示一个文件的末尾1kb的数据

# 查看文件末尾内容[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -tail /amoxilin/test1.txt
欲买桂花同载酒，终不似，少年游！
[amo@hadoop102 hadoop-3.2.4]$ 

• -rm： 删除文件或文件夹

# 删除[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -rm /amoxilin/test1.txt
Deleted /amoxilin/test1.txt

• -rm -r： 递归删除目录及目录里面内容

# 递归删除[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -rm-r /amoxilin
Deleted /amoxilin

• -u： 统计文件夹的大小信息

# 统计文件夹的大小[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -du-s-h /csdn
58174  /csdn                                  # 58 是文件大小 文件有三个副本就是58*3=174# 统计文件夹内各文件的大小[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -du-h /csdn
927   /csdn/test.txt
49147  /csdn/test1.txt

• -setrep： 设置HDFS中文件的副本数量

# 设置hdfs副本数量[amo@hadoop102 hadoop-3.2.4]$ hadoop fs -setrep5 /csdn/test1.txt
Replication 5 set: /csdn/test1.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5台时，副本数才能达到5。

三、HDFS的API操作

3.1 配置Windows

1. 解压Hadoop安装包到Windows系统 D:\hadoop-3.2.4
2. 设置$HADOOP_HOME环境变量指向D:\hadoop-3.2.4
3. 配置Path环境变量 %HADOOP_HOME%\bin
4. 下载 - hadoop.dll 下载地址- winutils.exe 下载地址
5. 将 hadoop.dll 和 winutils.exe 放入$HADOOP_HOME/bin 文件夹中

3.2 HDFS的API案例实操

1. 在IDEA中创建一个Maven工程，并导入相应的依赖坐标以及日志

<dependencies><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>3.2.4</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>

1. 创建HdfsClient类

publicclassHdfsClient{@Testpublicvoidtest()throwsIOException,URISyntaxException,InterruptedException{// 1 获取一个客户端实例// 参数1：hdfs文件系统地址// 参数2：配置文件// 参数3：用户FileSystem fs=FileSystem.get(newURI("hdfs://hadoop102:8020"),newConfiguration(),"amo");// 2 创建目录
        fs.mkdirs(newPath("/amxl"));// 3 关闭资源
        fs.close();}}

1. 执行程序

3.2.1 HDFS文件上传

1. 编写源代码

// 文件上传@TestpublicvoidtestCopyFromLocal()throwsURISyntaxException,IOException,InterruptedException{// 1 获取一个客户端实例// 参数1：hdfs文件系统路径// 参数2：配置信息// 参数3：用户名FileSystem fs =FileSystem.get(newURI("hdfs://hadoop102:8020"),newConfiguration(),"amo");// 2 使用客户端对象操作HDFS// copyFromLocalFile(是否删除源数据，是否覆盖目标数据，源数据路径，目标数据路径)
    fs.copyFromLocalFile(false,true,newPath("D:\\note.txt"),newPath("/amxl"));// 3 关闭资源
    fs.close();}

文件默认的副本为3

1. 将hdfs-site.xml拷贝到项目的resources资源目录下，重新上传文件

<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><property><name>dfs.replication</name><value>1</value></property></configuration>

在resources目录下自定义配置文件并设置文件副本数为1，发现此处配置文件参数的优先级是高于默认配置的文件的

1. 代码中修改配置

@TestpublicvoidtestCopyFromLocal()throwsURISyntaxException,IOException,InterruptedException{Configuration configuration =newConfiguration();// 设置文件副本数为 2
    configuration.set("dfs.replication","2");FileSystem fs =FileSystem.get(newURI("hdfs://hadoop102:8020"),  configuration,"amo");
    fs.copyFromLocalFile(false,true,newPath("D:\\note.txt"),newPath("/amxl"));
    fs.close();}

重新上传文件，发现文件的副本数为2

1. 小结参数优先级排序：客户端代码中设置的值 > resources下的用户自定义配置文件 >然后是服务器的自定义配置 >服务器的默认配置

3.2.2 HDFS文件下载

// 文件下载@TestpublicvoidtestCopyToLocal()throwsURISyntaxException,IOException,InterruptedException{// 1 获取配置信息以及加载配置 并获取一个客户端实例FileSystem fs =FileSystem.get(newURI("hdfs://hadoop102:8020"),newConfiguration(),"amo");// 2 使用客户端对象操作 HDFS 将 note.txt文件下载到本地 D 盘// copyToLocalFile(是否删除源文件，下载的文件路径，文件下载的目标路径，是否开启文件校验)
    fs.copyToLocalFile(false,newPath("/amxl/note.txt"),newPath("D:\\"),true);// 3 关闭资源
    fs.close();}

3.2.3 HDFS文件更名和移动

// 文件移动和重命名@TestpublicvoidtestRename()throwsIOException,URISyntaxException,InterruptedException{// 1 获取配置信息以及加载配置 并获取一个客户端实例FileSystem fs =FileSystem.get(newURI("hdfs://hadoop102:8020"),newConfiguration(),"amo");// 2 文件重命名// rename(源文件名，目标文件名)
    fs.rename(newPath("/amxl/note.txt"),newPath("/amxl/note1.txt"));// 文件移动// rename(源文件路径，目标文件路径)
    fs.rename(newPath("/csdn/test1.txt"),newPath("/amxl/test.txt"));// 3 关闭资源
    fs.close();}

移动前：

移动后：

3.2.4 HDFS删除文件和目录

// 删除文件和文件夹@TestpublicvoidtestDelete()throwsIOException,URISyntaxException,InterruptedException{// 1 获取配置信息以及加载配置 并获取一个客户端实例FileSystem fs =FileSystem.get(newURI("hdfs://hadoop102:8020"),newConfiguration(),"amo");// 2 文件删除// delete(路径)// delete(路径，是否递归)
    fs.delete(newPath("/amxl/note1.txt"),false);
    fs.delete(newPath("/csdn"),true);// 3 关闭资源
    fs.close();}

删除前：

删除后：

3.2.5 HDFS文件详情查看

查看文件名称、权限、长度、块信息

// 查看文件详细信息@TestpublicvoidtestGetFileStatus()throwsIOException,URISyntaxException,InterruptedException{// 1 获取配置信息以及加载配置 并获取一个客户端实例FileSystem fs =FileSystem.get(newURI("hdfs://hadoop102:8020"),newConfiguration(),"amo");// 2 文件详细信息// listStatus(路径)// listStatus(路径，是否递归)RemoteIterator<LocatedFileStatus> listedFiles = fs.listFiles(newPath("/amxl"),true);while(listedFiles.hasNext()){LocatedFileStatus next = listedFiles.next();System.out.println(next.getPath());System.out.println(next.getPermission());System.out.println(next.getOwner());System.out.println(next.getGroup());System.out.println(next.getLen());System.out.println(next.getModificationTime());System.out.println(next.getReplication());System.out.println(next.getBlockSize());// 获取块信息BlockLocation[] blockLocations = next.getBlockLocations();System.out.println(Arrays.toString(blockLocations));}// 3 关闭资源
    fs.close();}// -----------------------------------------------------------------------------------------// 输出
hdfs://hadoop102:8020/amxl/test.txt
rw-r--r--
amo
supergroup
4917099105232585134217728[0,49,hadoop104,hadoop103,hadoop102]

3.2.6 HDFS文件和文件夹判断

// 判断文件夹和文件@TestpublicvoidtestListFiles()throwsIOException,URISyntaxException,InterruptedException{// 1 获取配置信息以及加载配置 并获取一个客户端实例FileSystem fs =FileSystem.get(newURI("hdfs://hadoop102:8020"),newConfiguration(),"guo");// 2 判断文件夹和文件// listStatus(路径)FileStatus[] fileStatuses = fs.listStatus(newPath("/"));for(FileStatus fileStatus : fileStatuses){// 判断是否是文件if(fileStatus.isFile()){System.out.println("文件："+ fileStatus.getPath().getName());}else{System.out.println("文件夹："+ fileStatus.getPath().getName());}}//        FileStatus[] fileStatuses = fs.listStatus(new Path("/"));////        for (FileStatus fileStatus : fileStatuses) {//            // 判断是否是文件夹//            if (fileStatus.isFile()) {//                System.out.println("文件:" + fileStatus.getPath().getName());//            }//            if (fileStatus.isDirectory()) {//                System.out.println("文件夹:" + fileStatus.getPath().getName());//            }//        }// 3 关闭资源
    fs.close();}

写在最后

总的来说，HDFS架构的优势和基本操作使其成为构建可靠的大数据基础的理想选择。它的高可靠性、高扩展性和高效的数据访问方式，为处理大规模数据提供了强大的支持，并通过Shell操作和API操作，方便用户管理和操作存储在HDFS中的数据。