记一次HDFS配置被覆盖的修复步骤

这个事情的背景是公司的Hadoop生态集群都是原生的，不是基于CDH的，所以基本所有的东西都需要自己手动管理，比如集群修改一些属性，然后批量分发重启或者动态生效之类的。这次也算不上事故，因为没对生产环境造成什么影响，但是差一点就变成事故，写出来分享一下。

事情简单概括就是，60+台hadoop的集群，每一个DataNode的硬盘数量都不相同，正常情况下集群的配置是在NameNode上面改完，然后rsync或者scp等工具直接分发到其他datanode上面。不过这次就是因为有人修改了datanode相关的配置，然后批量分发了这个被他修改过的hdfs-site.xml文件，导致所有的datanode上面的磁盘配置全都被覆盖了，此时此刻集群还没停，急需把原来的磁盘配置给还原回来，配置没做备份，所以只能从其他角度入手。在我一边点击hdfs的50070页面一边想的时候，我觉得web页面上能看到的东西，一定可以通过命令行拿到，尤其是类似节点属性这种比较常用的选项，节点属性相关就一定跑不掉数据盘的配置，我就按照之前的动态生效配置命令的查找思路(思路点击这里)，又去查了一下获取节点属性相关的命令，简直so easy，我找到了下面这个

赶紧命令行走一波看看，下图所示：

这里的/mnt/dataXXXXX，就是我hdfs-site.xml里面dfs.datanode.data.dir的配置。

所以对这个结果通过Linux脚本来做一些处理(为了方便读，我加了"\"换行)：

op@op-01:~$sudo -u hadoop /opt/hadoop-3.1.2/bin/hadoop dfsadmin -getVolumeReport hadoop-0001:9867 \ 
|grep Directory|awk -F " " '{print $NF}'\ 
|sed ":a;N;s/\n/,/g;ta"

处理完了就得到了下面的结果：

op@op-01:~$sudo -u hadoop /opt/hadoop-3.1.2/bin/hadoop dfsadmin -getVolumeReport hadoop-0001:9867 |grep Directory|awk -F " " '{print $NF}'|sed ":a;N;s/\n/,/g;ta"
WARNING: Use of this script to execute dfsadmin is deprecated.
WARNING: Attempting to execute replacement "hdfs dfsadmin" instead.

/mnt/data8/hadoop/dfs/data,/mnt/data9/hadoop/dfs/data,/mnt/data3/hadoop/dfs/data,/mnt/data6/hadoop/dfs/data,/mnt/data7/hadoop/dfs/data,/mnt/data5/hadoop/dfs/data,/mnt/data2/hadoop/dfs/data,/mnt/data1/hadoop/dfs/data,/mnt/data4/hadoop/dfs/data
op@op-01:~$

上面加下划线的那一行就是我最后要拿到的，每台datanode的磁盘配置，现在要把它写到hdfs-site.xml里面的话，需要在上面的结果添加"XXX"，拿着前面处理好的结果，然后替换掉"dfs.namenode.name.dir"的下一行，脚本内容如下：

 1 HADOOP_HOME=/opt/hadoop-3.1.2
 2 HADOOP_CONF=${HADOOP_HOME}/etc/hadoop
 3 HOSTNAME="hadoop-0012"
 4 PORT=9867
 5 
 6 ${HADOOP_HOME}/bin/hadoop dfsadmin -getVolumeReport ${HOSTNAME}:${PORT}|grep Directory|awk -F" " '{print $2}'>>${HADOOP_CONF}/disk_info
 7 
 8 sed -i ":a;N;s/\n/,/g;ta" ${HADOOP_CONF}/disk_info   #将命令行获取的volume结果存储到这里
 9 sed -i -e 's@^@&@g' -e 's@$@&@g' ${HADOOP_CONF}/disk_info   #将处理结果前后添加xml的标签和
10 sed -i '/dfs.datanode.data.dir/{n;d}' ${HADOOP_CONF}/hdfs-site.xml #先将已有的行删掉
11 sed -i "/dfs.datanode.data.dir/r ${HADOOP_CONF}/disk_info" ${HADOOP_CONF}/hdfs-site.xml  #将新的配置追加到这一行的后面

 到这里，单台机器的配置文件修复就算完成了，不过格式化我没研究，就是替换完的结果有点丑，没有做xml的格式化，如下(图片看不清的话右键图片新标签页打开就好了)：

不过不影响使用就是了，下面就是集群批量修复，使用一个自动化运维工具叫Ansible

没有的话可以安装一下:

hadoop@op-01:~$ sudo apt-get install ansible -y

详细使用我就不讲了，自行百度哈

上面的脚本第三行HOSTNAME那里，每台机器需要自行获取自己的HOSTNAME，所以脚本第三行修改成下面这样

HOSTNAME=$(hostname)

将脚本分发到每台机器上：

op@op-01:~$ansible hadoop-cluster -m copy -a  \
"src=/tmp/repair_hadoop_disk.sh \    #从哪里
dest=/opt/hadoop-3.1.2/bin/ \   #分发到哪里
owner=hadoop \  #脚本所有者是谁
group=hadoop \  #脚本所有者所在的组是哪个组
backup=no" \    #如果遇到重名的文件，是否备份
-b \   #是否用root权限
-f 20   #fork，多少线程同时执行

这里我把这个repaid_hadoop_disk.sh放在了hadoop的bin下面，作为hadoop的修复工具使用，然后就是执行：

ansible hadoop-cluster -m shell -a "bash /opt/hadoop-3.1.2/bin/repair_hadoop_disk.sh" -b -f 20

到此，修复完成，不过强迫症看着修复完的配置文件没缩进确实难受，以后再修复吧

至于ansible的用法，我本人是精通的，碍于主题和篇幅，我就暂时不写了