第二章 HDFS

为什么需要分布式存储

数据量太大，单机存储能力有上限，需要靠数量来解决问题

数量的提升带来的是网络传输、磁盘读写、CPU、内存等各方面的综合提升。

分布式组合在一起可以达到1+1>2的效果

分布式的基础架构分析

大数据体系中，分布式的调度主要有2类架构模式：

去中心化模式

中心化模式

主从模式（Master-Slaves）就是中心化模式，表示有一个主节点来作为管理者，管理协调下属一批从节点工作。

Hadoop是哪种模式

主从模式（中心化模式）的架构

HDFS的基础架构

总结

1. 什么是HDFS？

HDFS全称：Hadoop Distributed File System

是Hadoop三大组件（HDFS、MapReduce、YARN）之一

可在多台服务器上构建集群，提供分布式数据存储能力

1. HDFS中的架构角色有哪些？

NameNode：主角色，管理HDFS集群和DataNode角色

DataNode：从角色，负责数据的存储

SecondaryNameNode：辅助角色，协助NameNode整理元数据

HDFS集群环境部署

VMWare虚拟机中环境部署

下载

网址(很慢需要魔法)

https://hadoop.apache.org

也可以使用清华的镜像网站

清华大学开源软件镜像站 | Tsinghua Open Source Mirror

部署

服务规划

在doop1里面进行如下工作

1. 上传Hadoop安装包到doop1中

2.解压缩安装包到/export/server/中

 tar -zxvf hadoop-3.4.0.tar.gz -C /export/server

3.构建软链接

先进入到/export/server文件夹里面

cd /export/server

在此文件夹里面构建软链接

ln -s /export/server/hadoop-3.4.0 hadoop

1. 进入hadoop安装包内

cd hadoop

各个文件夹含义如下(标红三个重要)

•bin，存放Hadoop的各类程序（命令）

•etc，存放Hadoop的配置文件

•include，C语言的一些头文件

•lib，存放Linux系统的动态链接库（.so文件）

•libexec，存放配置Hadoop系统的脚本文件（.sh和.cmd）

•licenses-binary，存放许可证文件

•sbin，管理员程序（super bin）

share，存放二进制源码（Java jar包）

修改配置文件，应用自定义设置

配置HDFS集群，我们主要涉及到如下文件的修改：

•workers： 配置从节点（DataNode）有哪些

•hadoop-env.sh： 配置Hadoop的相关环境变量

•core-site.xml： Hadoop核心配置文件

•hdfs-site.xml： HDFS核心配置文件

这些文件均存在与$HADOOP_HOME/etc/hadoop文件夹中。

$HADOOP_HOME是后续我们要设置的环境变量，其指代Hadoop安装文件夹即/export/server/hadoop

配置workers文件(配置从节点（DataNode）有哪些)

进入到hadoop安装文件夹下的配置文件夹etc下的hadoop文件

cd etc/hadoop

编辑workers文件

vim workers

删除内置的localhost(按两下dd)

填入如下内容

配置hadoop-env.sh文件( 配置Hadoop的相关环境变量)

vim hadoop-env.sh

export JAVA_HOME=/export/server/jdk
export HADOOP_HOME=/export/server/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export HADOOOP_LOG_DIR=$HADOOP_HOME/logs

配置core-site.xml文件

在文件中填入如下内容

  <property>
    <name>fs.defaultFS</name>
    <value>hdfs://doop1:8020</value>
  </property>

  <property>
    <name>io.file.buffer.size</name>
    <value>131072</value>
  </property>

用vim编辑器打开core-site.xml文件,shift+g到文件末尾可以看到两个configuration,把内容粘贴到中间

含义

•key：fs.defaultFS

•含义：HDFS文件系统的网络通讯路径

•值：hdfs://node1:8020

•协议为hdfs://

•namenode为node1

•namenode通讯端口为8020

•key：io.file.buffer.size

•含义：io操作文件缓冲区大小

值：131072 bit

•hdfs://node1:8020为整个HDFS内部的通讯地址，应用协议为hdfs://（Hadoop内置协议）

•表明DataNode将和node1的8020端口通讯，node1是NameNode所在机器

•此配置固定了node1必须启动NameNode进程

配置hdfs-site.xml文件

在文件中填入如下内容

  <property>
    <name>dfs.datanode.data.dir.perm</name>
    <value>700</value>
  </property>

  <property>
    <name>dfs.namenode.name.dir</name>
    <value>/data/nn</value>
  </property>

  <property>
    <name>dfs.namenode.hosts</name>
    <value>doop1,doop2,doop3</value>
  </property>

  <property>
    <name>dfs.blocksize</name>
    <value>268435456</value>
  </property>

  <property>
    <name>dfs.namenode.handler.count</name>
    <value>100</value>
  </property>

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

  

用vim编辑器打开hdfs-site.xml文件,shift+g到文件末尾可以看到两个configuration,把内容粘贴到中间

ctrl+f向下翻页

ctrl+b向上翻页

含义

•key：dfs.datanode.data.dir.perm

•含义：hdfs文件系统，默认创建的文件权限设置

•值：700，即：rwx------

•key：dfs.namenode.name.dir

•含义：NameNode元数据的存储位置

•值：/data/nn，在node1节点的/data/nn目录下

•

•key：dfs.namenode.hosts

•含义：NameNode允许哪几个节点的DataNode连接（即允许加入集群）

•值：node1、node2、node3，这三台服务器被授权

•key：dfs.blocksize

•含义：hdfs默认块大小

•值：268435456（256MB）

•

•key：dfs.namenode.handler.count

•含义：namenode处理的并发线程数

•值：100，以100个并行度处理文件系统的管理任务

•

•key：dfs.datanode.data.dir

•含义：从节点DataNode的数据存储目录

•值：/data/dn，即数据存放在node1、node2、node3，三台机器的/data/dn内

准备数据目录

•namenode数据存放在node1的/data/nn

•datanode数据存放在node1、node2、node3的/data/dn

所以应该

•在node1节点：

•mkdir -p /data/nn

•mkdir -p /data/dn

•在node2和node3节点：

mkdir -p /data/dn

分发hadoop文件夹

从node1将hadoop安装文件夹远程复制到node2、node3

在node1执行如下命令

这里复制的时候把之前配置好的配置文件也都复制过来了,所以前面配置文件出错了,后面doop2和doop3的配置文件也会出错

cd /export/server

scp -r hadoop-3.4.0 doop2:pwd/

scp -r hadoop-3.4.0 doop3:pwd

•在node2执行，为hadoop配置软链接

在node2执行如下命令

ln -s /export/server/hadoop-3.4.0 hadoop

•在node3执行，为hadoop配置软链接

在node3执行如下命令

ln -s /export/server/hadoop-3.4.0 hadoop

配置环境变量

为了方便我们操作Hadoop，可以将Hadoop的一些脚本、程序配置到PATH中，方便后续使用。

在Hadoop文件夹中的bin、sbin两个文件夹内有许多的脚本和程序，现在来配置一下环境变量

1. vim /etc/profile

在/etc/profile文件底部追加如下内容

export HADOOP_HOME=/export/server/hadoop

export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

1. 在node2和node3配置同样的环境变量

授权hadoop用户

为了确保安全，hadoop系统不以root用户启动，我们以普通用户hadoop来启动整个Hadoop服务

所以，现在需要对文件权限进行授权。

把hadoop文件夹的所属用户和用户组都修改为Hadoop

以root身份，在三台服务器上均执行

chown -R hadoop:hadoop /data

chown -R hadoop:hadoop /export

-R:对文件夹内全部内容应用相同的用户和用户组

格式化整个文件系统

前期准备全部完成，现在对整个文件系统执行初始化

•格式化namenode

确保以hadoop用户执行

su - hadoop

格式化namenode

hadoop namenode -format

成功了有数据了

•启动

一键启动hdfs集群

start-dfs.sh

一键关闭hdfs集群

stop-dfs.sh

jps查看有没有启动成功

如果遇到命令未找到的错误，表明环境变量未配置好，可以以绝对路径执行

/export/server/hadoop/sbin/start-dfs.sh

/export/server/hadoop/sbin/stop-dfs.sh

查看****HDFS WEBUI

启动完成后，可以在浏览器打开：

http://doop1:9870，即可查看到hdfs文件系统的管理网页。

三个都亮了就OK了

如果没有亮的话

可以先把/data和/export/server/hadoop/logs文件夹删除了重新创建试一下

常见出错原因

start-dfs.sh脚本会:

在当前机器启动SecondaryNameNode,并根据core-site.xml文件的记录启动namenode

根据workers文件的记录,启动各个机器的datanode

1.是否遗漏了前置准备章节的相关操作?

ssh授权(允许hadoop用户免密登录doop1,doop2,doop3)

2.是否遗漏的将文件夹(Hadoop安装文件夹、/data数据文件夹)chown授权到hadoop用户这一操作

以hadoop用户启动集群的时候会报错文件无法写入,没有权限(permission denied),也有可能看起来正常,这时候可以去日志文件里面找到错误

解决办法

把日志文件夹logs和data数据文件里面的内容都清空,然后重新授权

rm rf /export/server/hadoop/logs/*
rm rf /data/nn/; rm rf /data/dn/
chown -R hadoop:hadoop /data
chown -R hadoop:hadoop /export

3.是否遗忘了格式化hadoop这一步(hadoopnamenode -format)

未格式化会导致doop1的namenode无法正常启动

4.是否是以root用户格式化的hadoop

z在写入文件内容的时候,又会把文件权限全部重新赋给root,以hadoop启动的时候就又没有权限了

5.是否以root启动过hadoop，后续以hadoop用户启动出错

只要用root操作过一个,相关的目录权限又归为root了,以hadoop执行的时候就会出错

6.是否确认workers文件内，配置了node1、node2、node3三个节点

datanode无法正常启动

7.是否在/etc/profile内配置了HADOOP_HOME环境变量，并将$HADOOP_HOME/bin和$HADOOP_HOME/sbin加入PATH变量

命令会找不到

没有配置好环境变量，导致
/export/server/hadoop/bin/hadoop
/export/server/hadoop/sbin/start-dfs.sh &/export/server/hadoop/sbin/stop-dfs.sh
这些命令或脚本无法直接执行

8.是否遗忘了软链接，但环境变量的配置的HADOOP_HOME确是:/export/server/hadoop

hadoop这个文件根本不存在,什么也找不到

9.是否确认配置文件内容的准确(一个字符都不错)，并确保三台机器的配置文件均0K

云服务器中部署

HDFS集群启停命令

一键启停

Hadoop HDFS组件内置了HDFS集群的一键启停脚本。

•$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

单进程启停

除了一键启停外，也可以单独控制进程的启停。

1. $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)

1. $HADOOP_HOME/bin/hdfs，此程序也可以用以单独控制所在机器的进程的启停

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

文件系统的操作命令

HDFS****文件系统基本信息

HDFS作为分布式存储的文件系统，有其对数据的路径表达方式。

•HDFS同Linux系统一样，均是以/作为根目录的组织形式

如何区分呢？

•Linux：file:///

•HDFS：hdfs://namenode:port/

如上路径：

•Linux：file:///usr/local/hello.txt

•HDFS：hdfs://node1:8020/usr/local/hello.txt

协议头file:/// 或 hdfs://node1:8020/可以省略

•需要提供Linux路径的参数，会自动识别为file://

•需要提供HDFS路径的参数，会自动识别为hdfs://

除非你明确需要写或不写会有BUG，否则一般不用写协议头

两套命令体系

关于HDFS文件系统的操作命令，Hadoop提供了2套命令体系

两者在文件系统操作上，用法完全一致,用哪个都可以

某些特殊操作需要选择hadoop命令或hdfs命令,讲到的时候具体分析

•hadoop命令（老版本用法），用法：hadoop fs [generic options]

•hdfs命令（新版本用法），用法：hdfs dfs [generic options]

创建文件夹

•hadoop fs -mkdir [-p] <path> ...

•hdfs dfs -mkdir [-p] <path> ...

path 为待创建的目录

-p选项的行为与Linux mkdir -p一致，它会沿着路径创建父目录。

例子

hadoop fs -mkdir -p /itcast/bigdata

hdfs fs -mkdir -p /itheima/hadoop

查看指定目录下的内容

hadoop fs -ls [-h] [-R] [<path> ...]

•hdfs dfs -ls [-h] [-R] [<path> ...]

path 指定目录路径

-h 人性化显示文件size

-R 递归查看指定目录及其子目录

例子

上传文件到HDFS指定目录下(上传Linux文件到HDFS)

hadoop fs -put [-f] [-p] <localsrc> ... <dst>

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(Linux)）

dst 目标文件系统（HDFS）

例子

hadoop fs -put words.txt /itcast

hdfs dfs -put file:///etc/profile hdfs://node1:8020/itcast

查看HDFS文件内容

hadoop fs -cat <src> ...

hdfs dfs -cat <src> ...

读取指定文件全部内容，显示在标准输出控制台。

例子

hadoop fs -cat /itcast/words.txt

hdfs dfs -cat /itcast/profile

读取大文件可以使用管道符配合more(Linux中对内容进行翻页的命令,按下空格进行翻页)

hadoop fs -cat <src> | more

hdfs dfs -cat <src> | more

下载HDFS文件(下载HDFS文件到Linux)

hadoop fs -get [-f] [-p] <src> ... <localdst>

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。

例子

rm -rf *删除当前目录的全部内容

上传/test.txt文件到当前目录, .代表当前目录

hdfs dfs -get /test.txt .

拷贝HDFS文件

hadoop fs -cp [-f] <src> ... <dst>

hdfs dfs -cp [-f] <src> ... <dst>

-f 覆盖目标文件（已存在下）

<src>:复制的文件的位置

<dst>:要复制到的位置

这两个位置都是HDFS的位置

例子

把/test.txt文件复制到/home/下

hdfs dfs -cp /test.txt /home/

cp命令还有改名的功能

把/test.txt文件复制到/home目录下,并且改名为abc.txt

hdfs dfs -cp /test.txt /home/abc.txt

追加数据到HDFS文件中

hdfs文件只支持追加或者删除,不像Linux可以使用编辑器修改

hadoop fs -appendToFile <localsrc> ... <dst>

hdfs dfs -appendToFile <localsrc> ... <dst>

将所有给定本地文件的内容追加到给定dst文件。

dst如果文件不存在，将创建该文件。

如果<localSrc>为-，则输入为从标准输入中读取

例子

把2.txt和3.txt的内容追加到/1.txt中

hadoop fs -appendToFile 2.txt 3.txt /1.txt

HDFS数据移动操作

hadoop fs -mv <src> ... <dst>

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

用来的目录下文件就不见了,文件到了新的目录下,同时具有改名的效果

例子

具有改名的效果

把/tets2.txt移动到目录/klj下,并且改名为abc.txt

hadoop fs mv /test2.txt /klj/abc .txt

HDFS数据删除操作

hadoop fs -rm -r [-skipTrash] URI [URI ...]

hdfs dfs -rm -r [-skipTrash] URI [URI ...]

删除指定路径的文件或文件夹

-r:用来删除文件夹

-skipTrash 跳过回收站，直接删除

配置回收站

回收站功能默认关闭，如果要开启需要在core-site.xml内配置：

#表示文件在回收站的保留时间为1440分钟,即一天
<property>

<name>fs.trash.interval</name>

<value>1440</value>

</property>
#表示每120分钟检查一次回收站里面有没有保留期限到期的文件

<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

这个时候删除文件就会提示,文件被移动到了回收站的默认位置 /usr/hadoop/.Trash/Current

在回收站里面可以找到

Hadoop官方文档(查找其他命令)

地址

Apache Hadoop 3.3.4 – Overview

HDFS WEB浏览

使用WEB浏览操作文件系统，一般会遇到权限问题

这是因为WEB浏览器中是以匿名用户（dr.who）登陆的，其只有只读权限，多数操作是做不了的。

如果需要以特权用户在浏览器中进行操作，需要配置如下内容到core-site.xml并重启集群

<property>
    <name>hadoop.http.staticuser.user</name>
    <value>hadoop</value>
  </property>

但是，不推荐这样做

•HDFS WEBUI，只读权限挺好的，简单浏览即可

•如果给与高权限，会有很大的安全问题，造成数据泄露或丢失

HDFS Shell命令权限不足问题解决

Permission denied: user=root, access=WRiTE, inode="/":hadoop:supergroup:drwxr-xr-x
这种类似的问题,是因为操作没有权限

HDFS中，也是有权限控制的，其控制逻辑和Linux文件系统的完全一致。

但是不同的是,Superuser不同(超级用户不同)
Linux的超级用户是root
HDFS文件系统的超级用户:是启动namenode的用户(也就是hadoop用户)

所以在HDFS中,要以hadoop用户登录才有权限,在Linux中权限比hadoop高的root登录也是没有权限的(强龙压不过地头蛇)

修改权限

在HDFS中，可以使用和Linux一样的授权语句，即:chown和chmod
修改所属用户和组:
hadoop fs -chown [-R] root:root /xxx.txt
hdf$ dfsf-chown [-R] root:root /xxx.txt
修改权限
hadoop fs -chmod [-R] 777 /xxx.txt
hdfs dfs -chmod [-R] 777 /xxx.txt

HDFS客户端-- Jetbrians产品插件

在Jetbrains的产品中，均可以安装插件，其中：Big Data Tools插件可以帮助我们方便的操作HDFS，比如

•IntelliJ IDEA（Java IDE）

•PyCharm（Python IDE）

•DataGrip（SQL IDE）

均可以支持Bigdata Tool插件。

如果有使用以上几款IDE，就可以安装此插件进行HDFS操作。

下载安装

在pycharm,datagrip和idea中任何一款中都可以安装使用

配置Windows

1.解压hadoop安装包到windows某一个位置(如E盘)

出现错误不用担心,是因为里面存在一些Linux的软链接,Windows不支持,但是不影响使用

2.设置HADOOP_HOME环境变量指向刚刚解压hadoop的位置

3.下载

hadoop.dll

winutils/hadoop-3.0.0/bin/hadoop.dll at master · steveloughran/winutils · GitHub

winutils.exe

winutils/hadoop-3.0.0/bin/winutils.exe at master · steveloughran/winutils · GitHub

4.将hadoop.dll和winutils.exe放入HADOOP_HOME/bin中

配置Big Data Tools插件

注意要启动集群以后再进行后面的操作

测试连接失败报错环境变量可能是环境变量没有生效,可以重启电脑再次尝试

测试连接成功就可以了

这个时候HDFS的文件目录就以图形化的形式展现了,可以上传和下载文件

HDFS客户端--NFS

HDFS提供了基于NFS（Network File System）的插件，可以对外提供NFS网关，供其它系统挂载使用。

NFS 网关支持 NFSv3，并允许将 HDFS 作为客户机本地文件系统的一部分挂载，现在支持：

•上传、下载、删除、追加内容

配置NFS

配置HDFS需要配置如下内容：

core-site.xml，新增配置项 以及 hdfs-site.xml，新增配置项

开启portmap、nfs3两个新进程

在doop1进行如下操作

1. 在core-site.xml 内新增如下两项

<property>
    <name>hadoop.proxyuser.hadoop.groups</name>
    <value>*</value>
  </property>

  <property>
    <name>hadoop.proxyuser.hadoop.hosts</name>
    <value>*</value>
  </property>

•项目： hadoop.proxyuser.hadoop.groups 值：*

允许hadoop用户代理任何其它用户组

•项目：hadoop.proxyuser.hadoop.hosts 值：*

允许代理任意服务器的请求

1. 在hdfs-site.xml中新增如下项

<property>
    <name>nfs.superuser</name>
    <value>hadoop</value>
  </property>
  <property>
    <name>nfs.dump.dir</name>
    <value>/tmp/.hdfs-nfs</value>
  </property>
  <property>
    <name>nfs.exports.allowed.hosts</name>
    <value>192.168.88.1 rw</value>
  </property>

•nfs.suerpser：NFS操作HDFS系统，所使用的超级用户（hdfs的启动用户为超级用户）

•nfs.dump.dir：NFS接收数据上传时使用的临时目录

•nfs.exports.allowed.hosts：NFS允许连接的客户端IP和权限，rw表示允许读写权限，IP整体或部分可以以*代替

看以看到上面配置的IP是VMnet8的IP地址

我们其实不是直连虚拟机的,而是通过VMnet8中转了一下

2. 将配置好的core-site.xml和hdfs-site.xml分发到node2和node3

scp core-site.xml hdfs-site.xml doop2:`pwd`/

scp core-site.xml hdfs-site.xml doop3:`pwd`/

1. 重启Hadoop HDFS集群（先stop-dfs.sh，后start-dfs.sh）

2. 停止系统的NFS相关进程(使用root用户,hadoop是普通用户做不了)

a. systemctl stop nfs; systemctl disable nfs 关闭系统nfs并关闭其开机自启

b. yum remove -y rpcbind 卸载系统自带rpcbind

1. 启动portmap（HDFS自带的rpcbind功能）（必须以root执行）：hdfs --daemon start portmap

2. 启动nfs（HDFS自带的nfs功能）（必须以hadoop用户执行）：hdfs --daemon start nfs3

检查NFS是否正常

以下操作在doop2或doop3执行（因为doop1卸载了rpcbind，缺少了必要的2个命令）

执行：rpcinfo -p doop1，有mountd和nfs出现

执行：showmount -e doop1,可以看到 / 192.168.88.1

在Windows挂在HDFS文件系统

只有专业版的Windows系统才有,家庭版的没有

后面再学

第二章-12-[可选]HDFS客户端-NFS挂载到Windows本地_哔哩哔哩_bilibili

HDFS存储原理

问题1：文件大小不一，不利于统一管理

解决：设定统一的管理单位，block块

Block块，HDFS最小存储单位

每个256MB（可以修改）

问题2：如果丢失或损坏了某个Block****块呢？

通过多个副本（备份）解决

每个Block块都有2个（可修改）备份

每个块都有2个备份在其它服务器上**(不放在同一个服务器上,服务器坏了什么用也没有)**

指定上传文件的副本数和查看副本命令

在前面我们了解了HDFS文件系统的数据安全，是依靠多个副本来确保的。

如何设置默认文件上传到HDFS中拥有的副本数量呢？可以在hdfs-site.xml中配置如下属性：

<property>

<name>**dfs.replication**</name>

<value>**3**</value>

</property>

这个属性默认是3，一般情况下，我们无需主动配置（除非需要设置非3的数值）

如果需要自定义这个属性，请修改每一台服务器的hdfs-site.xml文件，并设置此属性

•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/

-D:表示自己指定一些配置项,后面的dfs.replication=2就是自己指定的配置项

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。

同时，我们可以使用hdfs提供的fsck命令来检查文件的副本数

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

对于块（block），hdfs默认设置为256MB一个，也就是1GB文件会被划分为4个block存储。

块大小可以通过参数：

<property>

<name>dfs.blocksize</name>

<value>268435456</value>

<description>设置HDFS块大小，**单位是b**</description>

</property>

如上，设置为256MB

NameNode元数据

**edits文件(**记录每次操作)

在hdfs中，文件是被划分了一堆堆的block块，那如果文件很大、以及文件很多，Hadoop是如何记录和整理文件和block块的关系呢？

答案就在于NameNode,

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

问题在于，当用户想要查看某文件内容

如：/tmp/data/test.txt

就需要在全部的edits中搜索

（还需要按顺序从头到尾，避免后期改名或删除）

效率非常低

需要合并edits文件，得到最终的结果,只查看最终的状态

**FSImage文件(**记录某一个时间节点前的当前文件系统全部文件的状态和信息)

NameNode基于edits和FSImage的配合，完成整个文件系统文件的管理。

1. 每次对HDFS的操作，均被edits文件记录

2. edits达到大小上线后，开启新的edits记录

3. 定期进行edits的合并操作

•如当前没有fsimage文件， 将全部edits合并为第一个fsimage

•如当前已存在fsimage文件，将全部edits和已存在的fsimage进行合并，形成新的fsimage

元数据合并控制参数

对于元数据的合并，是一个定时过程，基于：

•dfs.namenode.checkpoint.period，默认3600（秒）即1小时

•dfs.namenode.checkpoint.txns，默认1000000，即100W次事务

只要有一个达到条件就执行。

检查是否达到条件，默认60秒检查一次，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数据的读写流程

写入流程

1. 客户端向NameNode发起请求

2. 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

3. 客户端向指定的DataNode发送数据包

4. 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. 如上图，DataNode1复制给DataNode2，然后基于DataNode2复制给Datanode3和DataNode4

6. 写入完成客户端通知NameNode，NameNode做元数据记录工作

关键信息点：

•NameNode不负责数据写入，只负责元数据记录和权限审批

•客户端直接向1台DataNode写数据，这个DataNode一般是离客户端最近（网络距离）的那一个

•数据块副本的复制工作，由DataNode之间自行完成（构建一个PipLine，按顺序复制分发，如图1给2, 2给3和4）

数据读取流程

1、客户端向NameNode申请读取某文件

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

3、客户端拿到block列表后自行寻找DataNode读取即可

关键点：

1、数据同样不通过NameNode提供

2、NameNode提供的block列表，会基于网络距离计算尽量提供离客户端最近的

这是因为1个block有3份，会尽量找离客户端最近的那一份让其读取

1、对于客户端读取HDFS数据的流程中，一定要知道

不论读、还是写，NameNode都不经手数据，均是客户端和DataNode直接通讯

不然对NameNode压力太大

2、写入和读取的流程，简单来说就是：

•NameNode做授权判断（是否能写、是否能读）

•客户端直连DataNode进行写入（由DataNode自己完成副本复制）、客户端直连DataNode进行block读取

•写入，客户端会被分配找离自己最近的DataNode写数据

•读取，客户端拿到的block列表，会是网络距离最近的一份

3、网络距离

•最近的距离就是在同一台机器

•其次就是同一个局域网（交换机）

•再其次就是跨越交换机

•再其次就是跨越数据中心

HDFS内置网络距离计算算法，可以通过IP地址、路由表来推断网络距离