Hadoop HDFS 之旅

HDFS 概述
HDFS 的 Shell 操作
HDFS 的 API 操作
HDFS 的读写流程
NameNode 和 SecondaryNameNode
DataNode

HDFS 概述

HDFS 产出背景及定义

HDFS 产生背景

随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。 HDFS 只是分布式文件管理系统中的一种

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，由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。一个文件经过创建、写入和关闭之后就不需要改变

HDFS 优缺点

HDFS优点

高容错性
适合处理大数据
可靠性

高容错性

数据自动保存多个副本。它通过增加副本的形式，提高容错性
某一个副本丢失以后，它可以自动恢复

在这里插入图片描述

适合处理大数据

数据规模：能够处理数据规模达到GB、 TB、甚至PB级别的数据
文件规模：能够处理百万规模以上的文件数量，数量相当之大

可构建在廉价机器上，通过多副本机制，提高可靠性

扫描二维码关注公众号，回复： 13228115 查看本文章

HDFS缺点

不适合低延时数据访问
无法高效的对大量小文件进行存储
不支持并发写入、文件随机修改

不适合低延时数据访问，比如毫秒级的存储数据，是做不到的

无法高效的对大量小文件进行存储

存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的
小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标

不支持并发写入、文件随机修改

一个文件只能有一个写，不允许多个线程同时写
仅支持数据append（追加），不支持文件的随机修改

在这里插入图片描述

HDFS 组成架构

在这里插入图片描述

NameNode（ nn）：就是Master，它是一个主管、管理者

管理HDFS的名称空间
配置副本策略
管理数据块（ Block）映射信息
处理客户端读写请求

DataNode：就是Slave。 NameNode下达命令， DataNode执行实际的操作

存储实际的数据块
执行数据块的读/写操作

Client：就是客户端

文件切分。文件上传 HDFS 的时候， Client 将文件切分成一个一个的 Block，然后进行上传
与NameNode 交互，获取文件的位置信息
与DataNode 交互，读取或者写入数据
Client 提供一些命令来管理 HDFS，比如 NameNode 格式化
Client 可以通过一些命令来访问 HDFS，比如对 HDFS 增删查改操作

Secondary NameNode：并非 NameNode 的热备。当 NameNode 挂掉的时候，它并不能马上替换NameNode 并提供服务

辅助NameNode，分担其工作量，比如定期合并 Fsimage 和 Edits ，并推送给 NameNode
在紧急情况下，可辅助恢复 NameNode

HDFS 文件块大小

DFS中的文件在物理上是分块存储（ Block ），块的大小可以通过配置参数 ( dfs.blocksize ）来规定，默认大小在 Hadoop2.x/3.x 版本中是128M， 1.x版本中是64M

在这里插入图片描述

如果寻址时间约为10ms，即查找到目标block的时间为 10ms

寻址时间为传输时间的1%时，则为最佳状态。（专家）因此，传输时间 =10ms/0.01=1000ms=1s

而目前磁盘的传输速率普遍为100MB/s

block大小 = 1s * 100MB/s = 100MB

机械硬盘 : 128M
固态硬盘 : 256M

块的大小不能设置太小，也不能设置太大

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
如果块设置的太大，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

HDFS 的 Shell 操作

基本语法

hadoop fs 具体命令

或

hdfs dfs 具体命令

命令大全

hadoop fs

在这里插入图片描述

[root@cpucode100 hadoop]# 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>] <localsrc> ... <dst>]
        [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
        [-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] [-e] <path> ...]
        [-cp [-f] [-p | -p[topax]] [-d] <src> ... <dst>]
        [-createSnapshot <snapshotDir> [<snapshotName>]]
        [-deleteSnapshot <snapshotDir> <snapshotName>]
        [-df [-h] [<path> ...]]
        [-du [-s] [-h] [-v] [-x] <path> ...]
        [-expunge]
        [-find <path> ... <expression> ...]
        [-get [-f] [-p] [-ignoreCrc] [-crc] <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 <localsrc> ... <dst>]
        [-moveToLocal <src> <localdst>]
        [-mv <src> ... <dst>]
        [-put [-f] [-p] [-l] [-d] <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 -[defsz] <path>]
        [-text [-ignoreCrc] <src> ...]
        [-touch [-a] [-m] [-t TIMESTAMP ] [-c] <path> ...]
        [-touchz <path> ...]
        [-truncate [-w] <length> <path> ...]
        [-usage [cmd ...]]

常用命令实操

准备

启动 Hadoop 集群

myhadoop.sh

在这里插入图片描述

-help：输出这个命令参数

hadoop fs -help rm

在这里插入图片描述

创建/cpucode文件夹

hadoop fs -mkdir /cpucode

在这里插入图片描述

上传

从本地剪切到 HDFS

命令 :

-moveFromLocal

创建文件 :

vim cpucode.txt

内容 :

cpucode

上传

hadoop fs -moveFromLocal ./cpucode.txt /cpucode

在这里插入图片描述

从本地中拷贝到 HDFS

命令 :

-copyFromLocal

创建文件 :

 vim cpu.txt

内容 :

cpu

上传 :

hadoop fs -copyFromLocal ./cpu.txt /cpucode

在这里插入图片描述

命令 :

-put

等同于 copyFromLocal，生产环境更习惯用 put

vim code.txt

code

hadoop fs -put ./code.txt /cpucode

在这里插入图片描述

追加文件

命令 :

-appendToFile

创建文件 :

vim appendcpu.txt

内容 :

appendcpu

上传 :

hadoop fs -appendToFile ./appendcpu.txt /cpucode

下载

命令 :

从 HDFS 拷贝到本地

-copyToLocal

hadoop fs -copyToLocal /cpucode/code.txt ./code1.txt

在这里插入图片描述

等同于 copyToLocal，生产环境更习惯用 get

-get

hadoop fs -get /cpucode/code.txt ./code10.txt

在这里插入图片描述

HDFS 直接操作

显示目录信息

-ls

hadoop fs -ls /cpucode

在这里插入图片描述

显示文件内容

-cat

hadoop fs -cat /cpucode/code.txt

在这里插入图片描述

修改文件所属权限

-chgrp

-chmod

-chown

hadoop fs -chmod 777 /cpucode/code.txt

在这里插入图片描述

hadoop fs -chown root:root /cpucode/code.txt

在这里插入图片描述

创建路径

-mkdir

hadoop fs -mkdir /cpu

在这里插入图片描述

从 HDFS 的一个路径拷贝到 HDFS 的另一个路径

-cp

hadoop fs -cp /cpucode/code.txt /cpu

在这里插入图片描述

在 HDFS 目录中移动文件

-mv

hadoop fs -mv /cpucode/code.txt /cpu/code1.txt

在这里插入图片描述

显示一个文件的末尾 1kb 的数据

-tail

hadoop fs -tail /cpu/code.txt

在这里插入图片描述

删除文件或文件夹

-rm

hadoop fs -rm  /cpu/code.txt

在这里插入图片描述

-rm -r

hadoop fs -rm -r /cpu

在这里插入图片描述

统计文件夹的大小信息

-du

hadoop fs -du -s -h /cpucode

在这里插入图片描述

说明：

70 表示文件大小； 210 表示 70 * 3 个副本； /cpucode表示查看的目录

设置 HDFS 中文件的副本数量

hadoop fs -setrep 2 /cpucode/code10.txt

在这里插入图片描述

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 10台时，副本数才能达到 10

HDFS 的 API 操作

Win客户端环境准备

Windows 依赖文件夹

在这里插入图片描述

配置 HADOOP_HOME 环境变量

在这里插入图片描述

配置 Path 环境变量

在这里插入图片描述

验证 Hadoop 环境变量是否正常。双击 winutils.exe，

在这里插入图片描述

可能的错误现象 :
在这里插入图片描述

说明缺少微软运行库（正版系统往往有这个问题）, 搜索下载

重启一下电脑, 以免参数未生效

在 IDEA 中创建一个 Maven 工程

创建一个 Maven 工程 HdfsClientDemo，并导入相应的依赖坐标 + 日志添加

Maven 依赖

<dependencies>
	<dependency>
		<groupId>org.apache.hadoop</groupId>
		<artifactId>hadoop-client</artifactId>
		<version>3.1.3</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>

在项目的 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

创建包名： com.cpucode.hdfs

创建 HdfsClient 类

package com.cpucode.hdfs;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.junit.Test;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * 客户端代码常用套路
 * 1、获取一个客户端对象
 * 2、执行相关的操作命令
 * 3、关闭资源
 * HDFS  zookeeper
 * 
 * @author : cpucode
 * @date : 2021/11/18 13:57
 * @github : https://github.com/CPU-Code
 * @csdn : https://blog.csdn.net/qq_44226094
 */
public class HdfsClient{
    
    
	@Test
	public void testMkdirs() throws IOException, URISyntaxException, InterruptedException{
    
    
		// 1 获取文件系统
		// FileSystem fs = FileSystem.get(newURI("hdfs://cpucode100:8020"), configuration);
		
        FileSystem fs = FileSystem.get(new URI("hdfs://cpucode100:8020"), configuration, "root");
        
		// 2 创建目录
		fs.mkdirs(new Path("/cpu/code/"));
	
		// 3 关闭资源
		fs.close();
	}
}

优化 :

import org.junit.After;
import org.junit.Before;

public class HdfsClient {
    
    
    private FileSystem fs;
    
    @Before
    public void init() throws URISyntaxException, IOException, InterruptedException {
    
    
        // 连接的集群nn地址
        URI uri = new URI("hdfs://cpucode100:8020");
        // 创建一个配置文件
        Configuration configuration = new Configuration();

        configuration.set("dfs.replication", "2");
        // 用户
        String user = "root";

        // 1 获取到了客户端对象
        fs = FileSystem.get(uri, configuration, user);
    }

    @After
    public void close() throws IOException {
    
    
        // 3 关闭资源
        fs.close();
    }

    /**
     * 优化创建目录
     * @throws URISyntaxException
     * @throws IOException
     * @throws InterruptedException
     */
    @Test
    public void testMkdir() throws IOException {
    
    
        // 2 创建一个文件夹
        fs.mkdirs(new Path("/test/code"));
    }
}

执行程序

客户端去操作 HDFS 时，是有一个用户身份的。默认情况下， HDFS 客户端 API 会从采用 Windows 默认用户访问 HDFS，会报权限异常错误。所以在访问 HDFS 时，一定要配置用户

org.apache.hadoop.security.AccessControlException: Permission denied:
user=56576, access=WRITE,
inode="/cpu/code":root:supergroup:drwxr-xr-x

HDFS 的 API 案例实操

HDFS 文件上传（测试参数优先级）

    /**
     * 上传
     * @throws IOException
     */
    @Test
    public void testPut() throws IOException {
    
    
        /**
         * delSrc : 表示删除原数据
         * overwrite : 是否允许覆盖
         * src : 原数据路径
         * dst : 目的地路径
         */
        fs.copyFromLocalFile(false,
                true,
                new Path("D:\\Date\\github\\Hadoop\\HdfsClientDemo\\src\\main\\resources\\test100.txt"),
                new Path("hdfs://cpucode100/test/"));
    }

hdfs-site.xml

拷贝到项目的 resources 资源目录下

<?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>

参数优先级

参数优先级排序：

客户端代码中设置的值
ClassPath 下的用户自定义配置文件
然后是服务器的自定义配置（xxx-site.xml）
服务器的默认配置（xxx-default.xml）

HDFS 文件下载

/**
 * 文件下载
 * @throws IOException
 */
@Test
public void testGet() throws IOException {
    
    
    /**
     * delSrc : 原文件是否删除
     * src : 原文件路径HDFS
     * dst : 目标地址路径Win
     * useRawLocalFileSystem : 是否校验
     */
    fs.copyToLocalFile(false,
            new Path("hdfs://cpucode100/test/"),
            new Path("D:\\Date\\github\\Hadoop\\HdfsClientDemo\\src\\main\\resources\\"),
            false);
}

在这里插入图片描述

HDFS 文件更名和移动

    /**
     * 文件的更名和移动
     */
    @Test
    public void testMv() throws IOException{
    
    
        /**
         * 对文件名称的修改
         * var1 : 原文件路径
         * var2 : 目标文件路径
         */
        //fs.rename(new Path("/cpu/test.txt"), new Path("/cpu/test01.txt"));

        // 文件的移动和更名
        //fs.rename(new Path("/cpu/test01.txt"), new Path("/test.txt"));

        // 目录更名
        fs.rename(new Path("/cpucode"), new Path("/code"));
    }

HDFS 删除文件和目录

    /**
     * 删除
     */
    @Test
    public void testRm() throws IOException {
    
    
        /**
         * 删除文件
         * var1 : 要删除的路径
         * var2 : 是否递归删除
         */
       // fs.delete(new Path("/cpucode/test04.txt"), false);

        // 删除空目录
       // fs.delete(new Path("/cpucode/test"), false);


        // 删除非空目录
       fs.delete(new Path("/test"), true);
    }

HDFS 文件详情查看

import org.apache.hadoop.fs.*;

    /**
     * 获取文件详细信息
     * @throws IOException
     */
    @Test
    public void fileDetail() throws IOException {
    
    
        // 获取所有文件信息
        RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);

        // 遍历文件
        while (listFiles.hasNext()) {
    
    
            LocatedFileStatus fileStatus = listFiles.next();

            System.out.println("==========" + fileStatus.getPath() + "=========");
            System.out.print(fileStatus.getPermission() + "  ");
            System.out.print(fileStatus.getOwner() + "  ");
            System.out.print(fileStatus.getGroup() + "  ");
            System.out.print(fileStatus.getLen() + "  ");
            System.out.print(fileStatus.getModificationTime() + "  ");
            System.out.print(fileStatus.getReplication() + "  ");
            System.out.print(fileStatus.getBlockSize() + "  ");
            System.out.println(fileStatus.getPath().getName());

            // 获取块信息
            BlockLocation[] blockLocations = fileStatus.getBlockLocations();

            System.out.println(Arrays.toString(blockLocations));

        }
    }

HDFS 文件和文件夹判断

import org.apache.hadoop.fs.*;

public void testListStatus() throws IOException, InterruptedException, URISyntaxException {
    
    
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://cpucode100:8020"), configuration, "root");

	FileStatus[] listStatus = fs.listStatus(new Path("/"));

	for(FileStatus fileStatus : listStatus){
    
    
		if(fileStatus.isFile()){
    
    
			System.out.println("f:" + fileStatus.getPath().getName());
		}else{
    
    
			System.out.println("d:" + fileStatus.getPath().getName());
		}
	}

	fs.close();
}

代码位置 :

https://github.com/CPU-Code/Hadoop

HDFS 的读写流程

HDFS 写数据流程

剖析文件写入

HDFS的写数据流程
在这里插入图片描述

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
NameNode 返回是否可以上传
客户端请求第一个 Block 上传到哪几个 DataNode 服务器上
NameNode 返回 3 个 DataNode 节点，分别为 dn1、 dn2、 dn3
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
dn1、 dn2、 dn3 逐级应答客户端
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
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）

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

节点距离：两个节点到达最近的共同祖先的距离总和

节点距离计算

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

情况	集群	机架	节点	距离	情况
设备1	d1	r1	n0	0	同一节点上的进程
设备2	d1	r1	n0
设备1	d1	r1	n0	2	同一机架上的不同节点
设备2	d1	r1	n2
设备1	d1	r1	n0	4	同一数据中心不同机架上的节点
设备2	d1	r2	n0
设备1	d1	r1	n0	6	不同数据中心的节点
设备2	d2	r1	n0

在这里插入图片描述

机架感知（副本存储节点选择）

机架感知说明

http://hadoop.apache.org/docs/r3.1.3/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html#Data_Replication

对于常见的情况，当复制因子为 3 时，HDFS 的放置策略是，
如果写入者在数据节点上，则将一个副本放在本地机器上，否则放在随机数据节点上，
另一个副本放在不同（远程）机架中的节点上，以及同一个远程机架中不同节点上的最后一个。此策略减少了机架间写入流量，这通常会提高写入性能。

机架故障的几率远小于节点故障；此政策不影响数据可靠性和可用性保证。然而，它确实减少了读取数据时使用的总网络带宽，因为一个块只放置在两个独特的机架中，而不是三个。

使用此策略，文件的副本不会在机架之间均匀分布。三分之一的副本在一个节点上，三分之二的副本在一个机架上，其余的三分之一均匀分布在剩余的机架上。

此策略可在不影响数据可靠性或读取性能的情况下提高写入性能。

源码说明

Idea 中

在这里插入图片描述

org.apache.hadoop.hdfs.server.blockmanagement;

<dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-hdfs</artifactId>
    <version>3.1.3</version>
</dependency>

Crtl + n 查找 BlockPlacementPolicyDefault ，在该类中查找 chooseTargetInOrder 方法

在这里插入图片描述

protected Node chooseTargetInOrder() {
    
    
	int numOfResults = results.size();
	if (numOfResults == 0) {
    
    
		// 本地
		DatanodeStorageInfo storageInfo = this.chooseLocalStorage();
	}
	if (numOfResults <= 1) {
    
    
		// 远程
		this.chooseRemoteRack();
	}
	if (numOfResults <= 2) {
    
    
		if (this.clusterMap.isOnSameRack(dn0, dn1)) {
    
    
			// 上一个本地, 这就远程
		   this.chooseRemoteRack();
		} else if (newBlock) {
    
    
			// 本地
		   this.chooseLocalRack();
		} else {
    
    
			// 本地
		   this.chooseLocalRack();
		}
	}
}

Hadoop3.1.3 副本节点选择

第一个副本在Client所处的节点上。如果客户端在集群外，随机选一个
第二个副本在另一个机架的随机一个节点
第三个副本在第二个副本所在机架的随机节点

在这里插入图片描述

HDFS 读数据流程

在这里插入图片描述

客户端通过 DistributedFileSystem 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
挑选一台 DataNode（就近原则，数据量大就会随机）服务器，请求读取数据
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）
客户端以 Packet 为单位接收，先在本地缓存，然后写入目标文件

NameNode 和 SecondaryNameNode

NN 和 2NN 工作机制

NameNode 中的元数据是存储位置

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

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

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

在这里插入图片描述

第一阶段： NameNode 启动

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
客户端对元数据进行增删改的请求
NameNode 记录操作日志，更新滚动日志
NameNode 在内存中对元数据进行增删改

第二阶段： Secondary NameNode 工作

Secondary NameNode 询问 NameNode 是否需要 CheckPoint。直接带回 NameNode 是否检查结果
Secondary NameNode 请求执行 CheckPoint
NameNode 滚动正在写的 Edits 日志
将滚动前的编辑日志和镜像文件拷贝到 Secondary NameNode
Secondary NameNode 加载编辑日志和镜像文件到内存，并合并
生成新的镜像文件 fsimage.chkpoint
拷贝 fsimage.chkpoint 到 NameNode
NameNode 将 fsimage.chkpoint 重新命名成 fsimage

Fsimage 和 Edits 解析

概念

NameNode被格式化之后，将在 /opt/module/hadoop-3.1.3/data/dfs/name/current 目录中产生如下文件

在这里插入图片描述

Fsimage 文件： HDFS文件系统元数据的一个永久性的检查点，其中包含 HDFS 文件系统的所有目录和文件 inode 的序列化信息
Edits 文件：存放HDFS文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到Edits文件中
seen_txid 文件 : tm保存的是一个数字，就是最后一个edits_ 的数字
每次 NameNode 启动的时候都会将 Fsimage 文件读入内存，加载 Edits 里面的更新操作，保证内存中的元数据信息是最新的、同步的，可以看成 NameNode 启动的时候就将 Fsimage 和 Edits 文件进行了合并

在这里插入图片描述

oiv 查看 Fsimage 文件

hdfs oiv -p 文件类型 -i 镜像文件 -o 转换后文件输出路径

命令 :

hdfs oiv -p XML -i fsimage_0000000000000000188 -o /opt/module/hadoop-3.1.3/fsimage.xml

在这里插入图片描述

查看

tail /opt/module/hadoop-3.1.3/fsimage.xml

在这里插入图片描述

Fsimage 中没有记录块所对应 DataNode :

在集群启动后，要求 DataNode 上报数据块信息，并间隔一段时间后再次上报。

oev 查看 Edits 文件

基本语法

hdfs oev -p 文件类型 -i 编辑日志 -o 转换后文件输出路径


 hdfs oev -p XML -i
edits_0000000000000000012-0000000000000000013 -o /opt/module/hadoop-
3.1.3/edits.xml

在这里插入图片描述

tail /opt/module/hadoop-3.1.3/edits.xml

在这里插入图片描述

NameNode 下次开机启动的时候合并大于 seen_txid 的 Edits

CheckPoint 时间设置

通常情况下， SecondaryNameNode 每隔一小时执行一次

hdfs-default.xml

	<property>
		<name>dfs.namenode.checkpoint.period</name>
		<value>3600s</value>
	</property>

一分钟检查一次操作次数，当操作次数达到 1 百万时， SecondaryNameNode 执行一次

hdfs-default.xml

	<property>
		<name>dfs.namenode.checkpoint.txns</name>
		<value>1000000</value>
		<description>操作动作次数</description>
	</property>
	
	<property>
		<name>dfs.namenode.checkpoint.check.period</name>
		<value>60s</value>
		<description> 1 分钟检查一次操作次数</description>
	</property>

DataNode

DataNode 工作机制

在这里插入图片描述

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 :

数据本身
元数据包括数据块的长度，块数据的校验和，以及时间戳

在这里插入图片描述

DataNode 启动后向 NameNode 注册，通过后，周期性（6 小时）的向 NameNode 上报所有的块信息

DN 向 NN 汇报当前解读信息的时间间隔，默认 6 小时 :

<property>
	<name>dfs.blockreport.intervalMsec</name>
	<value>21600000</value>
	<description>Determines block reporting interval in milliseconds.</description>
</property>

DN 扫描自己节点块信息列表的时间，默认 6 小时 :

<property>
	<name>dfs.datanode.directoryscan.interval</name>
	<value>21600s</value>
	<description>Interval in seconds for Datanode to scan data directories and reconcile the difference between blocks in memory and on the disk. Support multiple time unit suffix(case insensitive), as described in dfs.heartbeat.interval.</description>
</property>

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

集群运行中可以安全加入和退出一些机器

数据完整性

DataNode 节点保证数据完整性的方法 :

当 DataNode 读取 Block 的时候，它会计算 CheckSum
如果计算后的 CheckSum，与 Block 创建时值不一样，说明 Block 已经损坏
Client 读取其他 DataNode 上的 Block
常见的校验算法 crc（32）， md5（128）， sha1（160）
DataNode 在其文件创建后周期验证 CheckSum

在这里插入图片描述

掉线时限参数设置

在这里插入图片描述

DataNode 进程死亡或者网络故障造成 DataNode 无法与 NameNode 通信
NameNode 不会立即把该节点判定为死亡，要经过一段时间，这段时间暂称作超时时长
HDFS默认的超时时长为10分钟 + 30秒

如果定义超时时间为 TimeOut ，则超时时长的计算公式为

TimeOut = 2 * dfs.namenode.heartbeat.recheck-interval + 10 * dfs.heartbeat.interval

而默认的dfs.namenode.heartbeat.recheck-interval 大小为5分钟， dfs.heartbeat.interval默认为3秒

需要注意的是 hdfs-site.xml 配置文件中 :

heartbeat.recheck.interval 的单位为毫秒
dfs.heartbeat.interval 的单位为秒

	<property>
		<name>dfs.namenode.beartbeat.recheck-interval</name>
		<value>300000</value>
	</property>
	<property>
		<name>dfs.heartbeat.interval</name>
		<value>3</value>
	</property>

Hadoop ( HDFS ) 之旅

Hadoop HDFS 之旅

HDFS 概述

HDFS 产出背景及定义

HDFS 产生背景

HDFS 定义

HDFS 优缺点

HDFS优点

HDFS缺点

HDFS 组成架构

HDFS 文件块大小

HDFS 的 Shell 操作

基本语法

命令大全

常用命令实操

准备

上传

从本地剪切到 HDFS

从本地中拷贝到 HDFS

追加文件

下载

HDFS 直接操作

显示目录信息

显示文件内容

修改文件所属权限

创建路径

从 HDFS 的一个路径拷贝到 HDFS 的另一个路径

在 HDFS 目录中移动文件

显示一个文件的末尾 1kb 的数据

删除文件或文件夹

递归删除目录及目录里面内容

统计文件夹的大小信息

设置 HDFS 中文件的副本数量

HDFS 的 API 操作

Win客户端环境准备

Windows 依赖文件夹

配置 HADOOP_HOME 环境变量

配置 Path 环境变量

在 IDEA 中创建一个 Maven 工程

创建包名： com.cpucode.hdfs

创建 HdfsClient 类

执行程序

HDFS 的 API 案例实操

HDFS 文件上传（测试参数优先级）

hdfs-site.xml

参数优先级

HDFS 文件下载

HDFS 文件更名和移动

HDFS 删除文件和目录

HDFS 文件详情查看

HDFS 文件和文件夹判断

HDFS 的读写流程

HDFS 写数据流程

剖析文件写入

网络拓扑-节点距离计算

节点距离计算

机架感知（副本存储节点选择）

机架感知说明

Hadoop3.1.3 副本节点选择

HDFS 读数据流程

NameNode 和 SecondaryNameNode

NN 和 2NN 工作机制

NameNode 中的元数据是存储位置

第一阶段： NameNode 启动

第二阶段： Secondary NameNode 工作

Fsimage 和 Edits 解析

概念

oiv 查看 Fsimage 文件

oev 查看 Edits 文件

CheckPoint 时间设置

DataNode

DataNode 工作机制

数据完整性

掉线时限参数设置

猜你喜欢