HDFS

知识回顾

 

传统服务器系统安装

 

系统硬盘 （ 100% 完全独立，不要存储业务数据）

 

物理磁盘做 raid1 （两个硬盘物理备份）

/boot 200M

/SWAP 内存的 1-2 被（大数据集群中要关闭）

/ 所有的空间

数据硬盘

 

多块小的硬盘 做一个大的硬盘（逻辑卷）

 

大数据服务器系统安装

 

系统硬盘

 

（ 100% 完全独立，不要存储业务数据）

物理磁盘做 raid1 （两个硬盘物理备份）

/boot 200M

/SWAP 内存的 1-2 被（大数据集群中要关闭）

/ 所有的空间

 

数据硬盘

 

优先不做 raid 必须做 raid 时 物理磁盘做 raid0

多块小的硬盘独立挂载（一个硬盘一个目录） 大数据技术为什么快

 

1 、传统的时纵向扩展

服务器数量不发生变化，配置越来越高（发生变化）

大数据横向扩展

配置不发生变化，服务器数量越来越多（发生变化）

2 传统的方式资源（ cpu/ 内存 / 硬盘）集中

 

大数据方式资源（ cpu/ 内存 / 硬盘）分布 ( 前提：同等配置的前提下 )

3 传统数据备份方式单份备份

 

大数据数据备份方式多分备份（数据复制，默认三个副本）

 

4 传统的计算模型是移动数据到程序端

大数据计算模型是移动程序到数据端

io 和网络的使用率都非常低，且多节点存储，多节点计算（众人拾柴火焰高）

hadoop 版本

1.0 hadoop 指的是 HDFS+Mapreduce

2.0 hadoop 指的是 HDFS+Mapreduce+yarn

 

hadoop 三大公司

免费开源版本 apache ： http://Hadoop.apache.org/ hortonWorks 公司 免费版本 收费版本

Cloudera （ CDH ） 免费版本 收费版本

 

Hadoop 的组成部分

1 、 HDFS ：海量数据的 存储 系统

2 、 Map Reduce ：海量数据 的计 算系统（计算框架）

3 、 YARN ：集群资源管理（调度）的框架。

HDFS WEB UI

当我们启动HDFS集群后，然后通过http://master:50070/去访问HDFS WEB UI的时候，我们会经常使用Utilities下的Browse the file system去查看HDFS中的文件，如下：

 

然后就会出现HDFS中的根目录下所有的文件：

 

 上面的方式是我们常见的访问HDFS文件的方式之一，这种使用的方式也是很方便的。

 

当我们启动HDFS集群后，我们可以通过http://master:50070来访问HDFS集群，其中，master是NameNode所在机器的名称。下面的就是HDFS WEB UI的七个大模块：

 

 

 这篇文章，我们重点分别来详细看一下Overview、Datanodes以及Utilities三个模块

Overview

 

 第1处的master:9999表示当前HDFS集群的基本路径。这个值是从配置core-site.xml中的fs.defaultFS获取到的。

• 第2处的Started表示集群启动的时间
• 第3处的Version表示我们使用的Hadoop的版本，我们使用的是2.7.5的Hadoop
• 第4处的Compiled表示Hadoop的安装包(hadoop-2.7.5.tar.gz)编译打包的时间，以及编译的作者等信息
• 第5处的Cluster ID表示当前HDFS集群的唯一ID
• 第6处的Block Pool ID表示当前HDFS的当前的NameNode的ID，我们知道通过HDFS Federation （联盟）的配置，我们可以为一个HDFS集群配置多个NameNode，每一个NameNode都会分配一个Block Pool ID

 

Summary

 

1.    第1处的Security is off表示当前的HDFS集群没有启动安全机制

• 第2处的Safemode is off表示当前的HDFS集群不在安全模式，如果显示的是Safemode is on的话，则表示集群处于安全模式，那么这个时候的HDFS集群是不能用的
• 第3处表示当前HDFS集群包含了3846个文件或者目录，以及1452个数据块，那么在NameNode的内存中肯定有3846 + 1452 = 5298个文件系统的对象存在
• 第4处表示NameNode的堆内存(Heap Memory)是312MB，已经使用了287.3MB，堆内存最大为889MB，对
• 第5处表示NameNode的非堆内存的使用情况，有效的非堆内存是61.44MB，已经使用了60.36MB。没有限制最大的非堆内存，但是非堆内存加上堆内存不能大于虚拟机申请的最大内存(默认是1000M)
• 第6处的Configured Capacity表示当前HDFS集群的磁盘总容量。这个值是通过：Total Disk Space - Reserved Space计算出来的。Total Disk Space表示所在机器所在磁盘的总大小，而Reserved Space表示一个预留给操作系统层面操作的空间。Reserved space空间可以通过dfs.datanode.du.reserved(默认值是0)在hdfs-site.xml文件中进行配置。我们这边的总容量为什么是：33.97GB呢，我们可以通过du -h看一下两个slave的磁盘使用情况，如下：

 

上面 17GB + 17GB = 34GB，而且我们没有配置Reserved Space，所以HDFS总容量就是33.97GB(有一点点的误差可以忽略)

• 第7处DFS Used表示HDFS已经使用的磁盘容量，说白了就是HDFS文件系统上文件的总大小(包含了每一个数据块的副本的大小)
• 第8处Non DFS Used表示在任何DataNodes节点上，不在配置的dfs.datanode.data.dir里面的数据所占的磁盘容量。其实就是非HDFS文件占用的磁盘容量

配置dfs.datanode.data.dir就是DataNode数据存储的文件目录

• 第9处DFS Remaining = Configured Capacity - DFS Used - Non DFS Used。这是HDFS上实际可以使用的总容量
• 第10处Block Pool Used表示当前的Block Pool使用的磁盘容量
• 第11处DataNodes usages%表示所有的DataNode的磁盘使用情况(最小/平均/最大/方差)
• 第12处Live Nodes表示存活的DataNode的数量。Decommissioned表示已经下线的DataNode
• 第13处Dead Nodes表示已经死了的DataNode的数量。Decommissioned表示已经下线的DataNode
• 第14处Decommissioning Nodes表示正在下线的DataNode的数量。
• 第15处Total Datanode Volume Failures表示DataNode上数据块的损坏大小
• 第16处Number of Under-Replicated Blocks表示没有达到备份数要求的数据块的数量
• 第17处Number of Blocks Pending Deletion表示正要被删除的数据块
• 第18处Block Deletion Start Time表示可以删除数据块的时间。这个值等于集群启动的时间加上配置dfs.namenode.startup.delay.block.deletion.sec的时间，其中配置dfs.namenode.startup.delay.block.deletion.sec默认是0秒

Datanodes

 

 上面有一个Admin State我们有必要说明下，Admin State可以取如下的值：

1. In Service，表示这个DataNode正常
2. Decommission In Progress，表示这个DataNode正在下线
3. Decommissioned，表示这个DataNode已经下线
4. Entering Maintenance，表示这个DataNode正进入维护状态
5. In Maintenance，表示这个DataNode已经在维护状态

 

 我们这里详细总结下Browse the file system，对于Logs我们在HDFS日志的查看总结中讲解

当我们点击Browse the file system时，我么会进入到如下的界面：

 

上图每一个字段的解释如下：

• Permission：表示该文件或者目录的权限，和Linux的文件权限规则是一样的
• Owner：表示该文件或者目录的所有者
• Group：表示该文件或者目录的所有者属于的组
• Size：表示该文件或者目录的大小，如果是目录的话则一直显示0B
• Last Modified：表示该文件或者目录的最后修改时间
• Replication：表示该文件或者目录的备份数，如果是目录的话则一直显示0
• Block Size：表示该文件的数据块的大小，如果是目录的话则一直显示0B
• Name：表示文件或者目录的名字

我们可以通过鼠标点击Name来访问对应的文件目录或者文件：

当我们访问的是目录的时候，则是去查看该目录下有哪些子文件或者子目录。

当我们访问的是文件的时候，我们查看的是文件的详细信息，比如，我们访问文件/user/omneo.csv文件：

HDFS 特性

 

1 、海量数据存储： HDFS 可横向扩展，其存储的文件可以支持 PB 级别数据。

2 、高容错性：节点丢失，系统依然可用，数据保存多个副本，副本丢失后自动恢复。

可构建在廉价（与小型机大型机比）的机器上，实现线性扩展 ( 随着节点数量的增加，集群的存储能力，计算能力随

之增加 ) 。

3 、大文件存储： DFS 采用数据块的方式存储数据，将一个大文件切分成多个小文件，分布存储。

 

HDFS 缺点：

 

1 、 不能做到低延迟数据访问： HDFS 针对一次性读取大量数据继续了优化，牺牲了延迟性。

2 、不适合大量的小文件存储 ：

A: 由于 namenode 将文件系统的元数据存储在内存中 , 因此该文件系统所能存储的文件总数受限于 namenode 的内存

容量。

B: 每个文件、目录和数据块的存储信息大约占 150 字节。

由于以上两个原因，所以导致 HDFS 不适合大量的小文件存储

3 、文件的修改； 不适合多次写入，一次读取（少量读取）

4 、不支持多用户的并行写。

 

HDFS 高级命令

 

HDFS 上的某一个特定的目录存储的数据副本 、数据量、文件的个数进行设置。

设置目录可以存储的文件的数量 hdfs dfsadmin -setQuota 100 lisi （文件夹本身算一个）

清空文件夹内数据良方的限制 hdfs dfsadmin -clrQuota /user/root/lisi

限制文件夹下存储的数据量 hdfs dfsadmin -setSpaceQuota 100M /user/root/lisi

清空文件夹数量的限制 hdfs dfsadmin -clrSpaceQuota /user/root/lisi

查看文件夹的限额数 hdfs dfs -count -q -h /user/root/lisi

 

HDFS 安全模式

 

安全模式是 HDFS 所处的一种特殊状态，在这种状态下，文件系统只接受读数据请求，而不接受删除、修改等变更请

求。

HDFS 什么时候进入安全模式：在 NameNode 主节点启动时， HDFS 首先进入安全模式

在安全模式下做了什么： DataNode 在启动的时候会向 namenode 汇报可用的 block 等状态

查看 hdfs 在什么模式 hdfs dfsadmin -safemode get 进入 hdfs 安全模式 hdfs dfsadmin -safemode enter

退出 hdfs 安全模式 hdfs dfsadmin -safemode leave

 

Fsimage Edits

 

Fsimage 记录 HDFS 文件系统的镜像或快照（周期性记录）（此文件相对较小）

Edits 记录客户端对进行的所有的增、删、改、追加等操作（没有使用 Secondary NameNode 之前，不是周期性生

成）（此文件相对较大）

Fsimage Edits 作用：用于还原集群上次关闭时的状态。还原时将两个文件加载到内存，检查、合并最终生成一个新

的 Fsimage 。原本的 Edits 失效。