Hadoop：HDFS--分布式文件存储系统

HDFS的基础架构

Hadoop由三个部分组成，分别是HDFS、MapReduce和yarn：

HDFS由三个角色，主角色、从角色、主角色辅助角色：

NameNode：

• HDFS系统的主角色，是一个独立的进程
• 负责管理HDFS整个文件系统
• 负责管理DataNode

SecondaryNameNode：

• NameNode的辅助，是一个独立进程
• 主要帮助NameNode完成元数据整理工作

DataNode：

• HDFS系统的从角色，是一个独立进程
• 主要负责数据的存储，即存入数据和取出数据

VMware虚拟机部署HDFS集群

第二章-04-[实操]VMware虚拟机部署HDFS集群_哔哩哔哩_bilibili

HDFS集群启停命令

•
$HADOOP_HOME/sbin/start-dfs.sh，一键启动HDFS集群

执行原理：

•
在执行此脚本的机器上，启动SecondaryNameNode

•
读取core-site.xml内容（fs.defaultFS项），确认NameNode所在机器，启动NameNode

•
读取workers内容，确认DataNode所在机器，启动全部DataNode

•$HADOOP_HOME/sbin/stop-dfs.sh，一键关闭HDFS集群

执行原理：

•
在执行此脚本的机器上，关闭SecondaryNameNode

•
读取core-site.xml内容（fs.defaultFS项），确认NameNode所在机器，关闭NameNode

•
读取workers内容，确认DataNode所在机器，关闭全部NameNode

  **$HADOOP_HOME/sbin/hadoop-daemon.sh**，此脚本可以单独控制所在机器的进程的启停

用法：hadoop-daemon.sh (start|status|stop) (namenode|secondarynamenode|datanode)

或者 hdfs --daemon (start|status|stop) (namenode|secondarynamenode|datanode)

HDFS Shell操作

hadoop 命令体系：

hadoop fs [generic options] 或者 hdfs dfs [generic options]

没有任何区别

创建文件夹 -mkdir

hdfs dfs -mkdir [-p] <path> 

查看目录内容 -ls

清测-ll等是不可行的

hdfs dfs -ls [-h] [-R] [<path> ...] 

-h 人性化显示文件 -R 递归查看指定目录及其子目录

上传文件到hdfs -put

hdfs dfs -put [-f] [-p] <localsrc> ... <dst>

• -f 覆盖目标文件（已存在下）
• -p 保留访问和修改时间，所有权和权限
• localsrc 本地文件系统（客户端所在机器）
• dst 目标文件系统（HDFS）

• 查看HDFS文件内容 -cat

• hdfs dfs -cat <src> ...当文件很大时，可以配合more翻页
• hdfs dfs -cat <src> | more### 下载HDFS文件 -get
• hdfs dfs -get [-f] [-p] <src> ... <localdst>下载文件到本地文件系统指定目录，localdst必须是目录 -f 覆盖目标文件（已存在下） -p 保留访问和修改时间，所有权和权限。

• 复制HDFS文件 -cp

• hdfs dfs -cp [-f] <src> ... <dst>src和dst都只能是hdfs的文件路径

• 追加数据到HDFS文件中 -appendToFile

• HDFS的文件修改只支持追加和删除
• hdfs dfs -appendToFile <localsrc> ... <dst>将localsrc的内容追加到dst

• HDFS文件移动 -mv

• hdfs dfs -mv <src> ... <dst> 移动文件到指定文件夹下,可以使用该命令移动数据，重命名文件的名称

• 删除HDFS文件 -rm

• hdfs dfs -rm -r [-skipTrash] URI [URI ...]删除指定路径的文件或文件夹 -skipTrash 跳过回收站，直接删除

• 回收站功能默认关闭，如果要开启需要在core-site.xml内配置：> > <property>> > <name>fs.trash.interval</name>> > <value>1440</value>> > </property>> > <property>> > <name>fs.trash.checkpoint.interval</name>> > <value>120</value>> > </property>> > 无需重启集群，在哪个机器配置的，在哪个机器执行命令就生效。> > 回收站默认位置在：/user/用户名(hadoop)/.Trash

• 其他的一些用法跟linux里面是基本一致的

• HDFS存储原理

• 存储原理

• 将每个文件分成n（n个服务器）份，每一份又分成m个block(Block块，HDFS最小存储单位,每个256MB（可以修改))
• 分成block的目的是统一hdfs的存储单元，便于管理
• 

但是这样如果丢了一个block，那么整个文件都会失效，那么 使用备份解决

将每个block备份n份，放入不同的服务器

修改副本数量

可以在hdfs-site.xml中配置属性以设置默认文件上传到HDFS中拥有的副本数量：

<property>
    <name>dfs.replication</name>
    <value>3</value>
</property>

一般不需要设置，默认是3

除了配置文件外，我们还可以在上传文件的时候，临时决定被上传文件以多少个副本存储。

hadoop fs -D dfs.replication=2 -put test.txt /tmp/

如上命令，就可以在上传test.txt的时候，临时设置其副本数为2

对于已经存在HDFS的文件，修改dfs.replication属性不会生效，如果要修改已存在文件可以通过命令

hadoop fs -setrep [-R] 2 path

如上命令，指定path的内容将会被修改为2个副本存储。-R选项可选，使用-R表示对子目录也生效。

fsck检查文件副本状态

hdfs fsck path [-files [-blocks [-locations]]]

fsck可以检查指定路径是否正常

• -files可以列出路径内的文件状态
• -files -blocks 输出文件块报告（有几个块，多少副本）
• -files -blocks -locations 输出每一个block的详情

红色线表示副本数量（这里是总的数量，也就是总共3个block）

蓝色的是三个block存放的位置，可以看到是存放在了三个不同的服务器

0：hdfs系统的状态 1：有多少个副本 2：丢失了多少blocks

NameNode元数据

edits和fsimage文件

Hadoop是通过NameNode来记录和整理文件和block的关系

NameNode基于一批edits和一个fsimage文件的配合完成整个文件系统的管理和维护

edits文件，是一个流水账文件，记录了hdfs中的每一次操作，以及本次操作影响的文件其对应的block，会有多个edits文件

将全部的edits文件，合并为最终结果，即可得到一个Fsimage文件

对于存放的位置，在hdfs-site.xml文件中，配置了

  <property>
    <name>dfs.datanode.data.dir</name>
    <value>/data/dn</value>
  </property>

那么此处的edits和fsimage就存放在了data/nn文件夹下的current文件夹

元数据合并参数

对于元数据合并成fsimage，是一个定时过程，基于两个参数

dfs.namenode.checkpoint.period，默认3600（秒）即1小时
dfs.namenode.checkpoint.txns，默认1000000，即100W次事务

只需要达到一个条件就需要合并

默认60秒检查一次是否符合条件，基于

dfs.namenode.checkpoint.check.period，默认60（秒），来决定

SecondaryNameNode****的作用

SecondaryNameNode会通过http从NameNode拉取数据（edits和fsimage）然后合并完成后提供给NameNode使用

HDFS数据的读写请求

数据写入流程

1. 1. 客户端向NameNode发起请求
2. 1. NameNode审核权限、剩余空间后，满足条件允许写入，并告知客户端写入的DataNode地址（一般来说会分配网络距离最近的datanode）
3. 1. 客户端向指定的DataNode发送数据包
4. 1. 被写入数据的DataNode同时完成数据副本的复制工作，将其接收的数据分发给其它DataNode
5. 1. 写入完成客户端通知NameNode，NameNode做元数据记录工作
6. 数据读取流程
7. 1、客户端向NameNode申请读取某文件
8. 2、NameNode判断客户端权限等细节后，允许读取，并返回此文件的block列表
9. 3、客户端拿到block列表后自行寻找DataNode读取即可（会去找最近的datanode）