Hadoop HDFS

一、Apache HDFS入门

1.1、HDFS基本概念

    首先是一个文件系统，就是用来存储文件、存储数据。是大数据最底层一个服务。
     其次是一个分布式的文件系统。分布式意味着多台机器存储。

场景互动：如何模拟实现分布式文件系统。
或者说一个成熟的分布式文件系统应该要具备哪些属性、功能呢？

    分布式多台机器存储
     记录元数据
     分块存储
     副本机制（备份）

1.2、Hadoop团队针对HDFS设计目标

具备故障检测和快速恢复的能力（容错）
面对海量数据的存储，注重吞吐能力，而不是交互式。（延迟高）
支持大文件存储（越大越开心）
一次写入多次读取模型 （不支持修改操作）
异构存储、可移植性

1.3、HDFS重要特性

master|slaves 主从架构

主角色：namenode 管理维护着元数据：目录树结构 文件 大小 副本 备份 位置信息
从角色：datanode 存储着最终的数据块

分块存储

物理上把文件分开了。

block size =128M  134217728   hadoop2.x (hadoop1.x 64M)

e.g:
    1.txt 300M
        blk-1  0--128
        blk-2  128-256
        blk-3  256-300
    
    2.txt 100M
        blk-4  0--100

副本机制

默认是3副本。

1+2=3 本身一份 额外两份 最终3副本。

namespace 名字空间 命名空间

#namespace即“命名空间”，也称“名称空间”

层次感结构 兼顾传统对应文件系统的认知 目录树结构
用户可以针对目录树进行文件夹、文件的增删改查。
统一的抽象目录树。

metadata 元数据

元数据：记录数据的数据 描述性数据、解释性数据

对于HDFS来说，目录结构及文件分块位置信息叫做元数据。
元数据是有namenode维护的。

write one read many

hdfs的模式是一次写入多次读取
hdfs没有随机修改编辑的操作 只能对已有的数据进行追加。
设计目标是这么决定的。

侧重于数据吞吐量 不注重实时交互性 意味着hdfs操作延迟很高。

二、HDFS shell操作

2.1、shell 命令解释

hadoop  fs <args>  文件系统的路径

#hadoop  fs可以操作的文件系统不仅仅有HDFS,还包括本地文件系统、GFS、TFS。
#如何区分操作访问的是什么文件系统呢？  根据文件系统协议

hadoop fs -ls hdfs://node1:8020/

hadoop fs -ls file:///
hadoop fs -ls gfs://

#如果不写协议 直接/目录 操作访问的是谁？
[root@node1 ~]# hadoop fs -ls /
Found 4 items
drwxr-xr-x   - root supergroup          0 2021-05-23 16:49 /itcast
drwx------   - root supergroup          0 2021-05-23 16:12 /tmp
drwxr-xr-x   - root supergroup          0 2021-05-23 16:12 /user
drwxr-xr-x   - root supergroup          0 2021-05-23 16:16 /wc

#默认是谁，取决于参数fs.defaultFS, 在core-site.xml文件中
<property>
        <name>fs.defaultFS</name>
        <value>hdfs://node1:8020</value>
</property>

#如果fs.defaultFS没有配置  默认的是file:///

#新旧命令  推荐使用hadoop fs
hadoop fs <args> = hdfs dfs <args>

2.2、shell常见命令操作

# 查看指定目录下信息
hadoop fs -ls [-h] [-R] <args>
    -h 人性化显示
    -R 递归显示

#创建文件夹
hadoop fs -mkdir [-p] <paths>
    -p 创建父目录
    
#上传文件
hadoop fs -put src  dst
将单个 src 或多个 srcs 从本地文件系统复制到目标文件系统
    #src代表的是本地目录 所谓的本地指的是客户端所在的机器 
    #dst代表的是HDFS
    -p：保留访问和修改时间，所有权和权限。
    -f：覆盖目的地（如果已经存在）
    
hadoop fs -put file:///root/itcast.txt hdfs://node1:8020/itcast    

hadoop fs -put itcast.txt /itcast

#下载文件
hadoop fs -get  src  localdst
    #将文件复制到本地文件系统。
hadoop fs -get hdfs://node1:8020/itcast/itcast.txt file:///root/
hadoop fs -get /itcast/itcast.txt ./

#追加内容到文件尾部 appendToFile
[root@node3 ~]# echo 1 >> 1.txt
[root@node3 ~]# echo 2 >> 2.txt 
[root@node3 ~]# echo 3 >> 3.txt 
[root@node3 ~]# hadoop fs -put 1.txt /
[root@node3 ~]# hadoop fs -cat /1.txt
1
[root@node3 ~]# hadoop fs -appendToFile 2.txt 3.txt /1.txt
[root@node3 ~]# hadoop fs -cat /1.txt
1
2
3
[root@node3 ~]# 

#追加的用途：把本地的小文件上传中合并成为大文件 解决小文件场景的。

#文件内容的查看
cat 适合小文件
tail 将文件的最后一千字节内容显示到stdout  -f参数支持实时追踪查看

#权限 拥有者 所属组修改

    hdfs在设计的时候 借鉴模仿着linux权限管理模式
    也有所谓的读写执行 user group others  777
chgrp  修改所属组
chmod  修改权限
chown  修改拥有者

hadoop fs -chmod 755 /1.txt

#文件移动 复制 删除
mv cp 
rm -r递归删除 

#合并下载 getmerge
合并下载多个文件  其功能和appendToFile相反的动作
[root@node3 ~]# hadoop fs -mkdir /small
[root@node3 ~]# hadoop fs -put *.txt /small
[root@node3 ~]# hadoop fs -getmerge /small/* ./merge.txt
[root@node3 ~]# cat merge.txt 

#统计HDFS可用空间  指定目录大小
[root@node3 ~]# hadoop fs -df -h /
Filesystem            Size   Used  Available  Use%
hdfs://node1:8020  111.1 G  5.0 M     98.3 G    0%

#修改文件的副本数
hadoop fs -setrep -w N -R   N就是修改之后的副本数
-w wait等待 修改副本客户端是否等待修改完毕再推出

[root@node3 ~]# hadoop fs -setrep 2 /small/1.txt
Replication 2 set: /small/1.txt

[root@node3 ~]# hadoop fs -setrep -w 2 /small/2.txt
Replication 2 set: /small/2.txt
Waiting for /small/2.txt ...
WARNING: the waiting time may be long for DECREASING the number of replications.
. done

#企业中避免使用setrep修改文件的副本数。
副本的修改操作可能会影响hdfs正常的读写服务请求。
因此在实际工作中 事先根据数据的重要性在上传之前就决定该文件的备份数是多少 避免线上修改。

三、HDFS工作机制

3.1、namenode、datanode职责

namenode 管理元数据 维护namespace

datanode 管理数据

3.2、NameNode与DataNode通信机制

dn启动时

#datanode向nameNode进行注册 并行汇报自己持有数据块信息

注册表示自己启动成功 汇报是高速namenode自己保存了哪些数据块

dn后续工作时

#心跳机制
datanode每隔3S向namenode进行心跳 目的:报活 dfs.heartbeat.interval

#数据块汇报机制 blockreport
datanode每隔6小时向nameNode进行数据块汇报自己数据块信息 dfs.blockreport.intervalMsec

四、HDFS辅助工具

4.1、跨集群复制数据 distcp（distributed copy）

功能：实现在不同的hadoop集群之间进行数据复制同步。

用法：

#同一个集群内 复制操作
hadoop fs -cp /zookeeper.out /itcast

#跨集群复制操作
hadoop distcp hdfs://node1:8020/1.txt  hdfs:node5:8020/itcast

4.2、文件归档工具 archive

背景

hdfs的架构设计不适合小文件存储的。
因为小文件不管多小 都需要一定的元数据记录它 元数据保存在内存中的，
如果集群小文件过多 就会造成内存被撑爆。 俗称 小文件吃内存。

archive功能

• 将一批小文件归档一个档案文件。
• 底层是通过==MapReduce程序将小文件进行合并的。启动yarn集群执行mr程序==。
• 企业中可以根据时间 定时进行归档，比如一周创建一个档案。

使用

#创建档案
hadoop archive -archiveName test.har -p /small /outputdir

基于自己的需求 删除小文件 减少对内存的消耗
hadoop fs -rm /small/*

#查看档案文件 --归档之后的样子
[root@node1 ~]# hadoop fs -ls hdfs://node1:8020/outputdir/test.har
Found 4 items
hdfs://node1:8020/outputdir/test.har/_SUCCESS
hdfs://node1:8020/outputdir/test.har/_index
hdfs://node1:8020/outputdir/test.har/_masterindex
hdfs://node1:8020/outputdir/test.har/part-0

#查看档案文件 --归档之前的样子
[root@node1 ~]# hadoop fs -ls har://hdfs-node1:8020/outputdir/test.har
Found 3 items
 har://hdfs-node1:8020/outputdir/test.har/1.txt
 har://hdfs-node1:8020/outputdir/test.har/2.txt
 har://hdfs-node1:8020/outputdir/test.har/3.txt

#从档案文件中提取文件
[root@node1 ~]# hadoop fs -cp har://hdfs-node1:8020/outputdir/test.har/* /small/
[root@node1 ~]# hadoop fs -ls /small
Found 3 items
-rw-r--r--   3 root supergroup          2 2021-05-24 17:58 /small/1.txt
-rw-r--r--   3 root supergroup          2 2021-05-24 17:58 /small/2.txt
-rw-r--r--   3 root supergroup          2 2021-05-24 17:58 /small/3.txt

注意

archive没有压缩的功能 就是简单的合二为一的操作 减少小文件个数。

五、HDFS namenode元数据管理机制

5.1、namenode元数据

元数据是什么

元数据（Metadata），又称中介数据、中继数据，为描述数据的数据（data about data），主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。

#记录数据的数据 描述数据的数据

hdfs中元数据指的是什么

• 文件系统的元数据（namespace、块的位置）
• datanodes状态信息（健康、磁盘使用率）

回想首次启动HDFS集群的时候 进行format操作

• 本质就是初始化操作 初始化namenode工作目录和元数据文件。
• 元数据存储的目录由参数dfs.namenode.name.dir决定 在NN部署机器的本地linux文件系统中

针对课程环境 最终目录

/export/data/hadoopdata/dfs/name

5.2、secondarynamenode功能职责

要想成为namenode的备份 需要具备两个东西

• 数据状态要和namenode保持一致。
• 承担和namenode一样的职责

secondarynamenode根本不是namenode的备份，其主要职责帮助nameNode进行元数据的合并。

六、HDFS 安全模式

安全模式（safe mode）是HDFS集群处于一种保护状态，文件系统只可以读，不可以写。

安全模式如何进入离开的？

自动进入离开

#在HDFS集群刚启动时候 会自动进入 为了演示方便  使用单个进程逐个启动方式

#step1：启动namenode
hadoop-daemon.sh start namenode

#step2: 执行事务性操作 报错
[root@node1 ~]# hadoop fs -mkdir /aaaa
mkdir: Cannot create directory /aaaa. Name node is in safe mode.

Safe mode is ON. The reported blocks 0 needs additional 52 blocks to reach the threshold 0.9990 of total blocks 52. The number of live datanodes 0 has reached the minimum number 0. Safe mode will be turned off automatically once the thresholds have been reached.

#1、条件1:已经汇报的block达到总数据块的 0.999
#2、条件2:存活的dn数量大于等于0  说明这个条件不严格

#step3:依次手动启动datanode
hadoop-daemon.sh start datanode

Safe mode is ON. The reported blocks 52 has reached the threshold 0.9990 of total blocks 52. The number of live datanodes 2 has reached the minimum number 0. In safe mode extension. Safe mode will be turned off automatically in 25 seconds.
#3、条件3:满足12条件的情况下 持续30s 结束自动离开安全模式

Safemode is off.

#为什么集群刚启动的时候 要进入安全模式 
文件系统元数据不完整 无法对外提供可高的文件服务  属于内部的元数据汇报、校验、构建的过程。

手动进入离开

hdfs dfsadmin -safemode enter
hdfs dfsadmin -safemode leave

Safe mode is ON. It was turned on manually. Use "hdfs dfsadmin -safemode leave" to turn safe mode off.

#运维人员可以手动进入安全模式 进行集群的维护升级等动作 避免了群起群停浪费时间。

安全模式的注意事项

• 刚启动完hdfs集群之后 等安全模式介绍才可以正常使用文件系统 文件系统服务才是正常可用。
• 后续如果某些软件依赖HDFS工作，必须先启动HDFS且等安全模式结束才可以使用你的软件。
• 启动-->启动成功-->==可用==（安全模式结束）

结语：小编能力有限欢迎大家多多指教