hadoop（二）HDFS概述、shell操作、客户端操作（各种API操作）以及hdfs读写流程
hadoop系列笔记
hadoop（一）入门、hadoop架构、集群环境搭建.
hadoop（二）HDFS概述、shell操作、客户端操作（各种API操作）以及hdfs读写流程.
hadoop（三）hdfs的NameNode和DataNode工作机制.
hadoop（四）MapReduce入门及序列化实操.
hadoop（五）MapReduce框架原理及工作机制.
hadoop（六）hadoop数据压缩、yarn架构及工作原理、hadoop企业优化.
文章目录
- 第一章HDFS概述
- 1.1 HDFS产生背景
- 1.2 HDFS概念
- 1.3 HDFS优缺点
- 1.3.1 优点
- 1.3.2 缺点
- 1.4 HDFS组成架构
- 1.5 HDFS文件块大小（面试重点）
- 第2章 HDFS的Shell操作（开发重点）
- 2.1 基本语法
- 2.2 hadoop fs常用命令
- 第3章 HDFS客户端操作（开发重点）
- 3.1 HDFS客户端环境准备
- 3.2 HDFS的API操作
- 第四章HDFS的数据流（面试重点）
- 4.1HDFS 写数据流程
- 4.2 HDFS读数据流程
第一章HDFS概述
1.1 HDFS产生背景
- 随着数据量越来越大，在一个操作系统管辖的范围内存不下了，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。
1.2 HDFS概念
- 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 使用场景：HDFS的设计适合一次写入，多次读出的场景，且不支持文件的修改。适合用来做数据分析，并不适合用来做网盘应用。
1.3 HDFS优缺点
1.3.1 优点
- 1）高容错性
（1）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。
（2）某一个副本丢失以后，它可以自动恢复。 - 2）适合大数据处理
（1）数据规模：能够处理数据规模达到 GB、TB、甚至PB级别的数据。
（2）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。 - 3）流式数据访问，它能保证数据的一致性。
- 4）可构建在廉价机器上，通过多副本机制，提高可靠性。
1.3.2 缺点
- 1）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。
- 2）无法高效的对大量小文件进行存储
（1）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。
（2）小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。 - 3）并发写入、文件随机修改
（1）一个文件只能有一个写，不允许多个线程同时写。
（2）仅支持数据 append（追加），不支持文件的随机修改。
1.4 HDFS组成架构
- 1）Client：就是客户端。
（1）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，然后进行存储。
（2）与NameNode交互，获取文件的位置信息。
（3）与DataNode交互，读取或者写入数据。
（4）Client提供一些命令来管理HDFS，比如启动或者关闭HDFS。
（5）Client可以通过一些命令来访问HDFS。 - 2）NameNode：就是Master，它是一个主管、管理者。
（1）管理HDFS的名称空间。
（2）管理数据块（Block）映射信息
（3）配置副本策略
（4）处理客户端读写请求。 - 3）DataNode：就是Slave，NameNode下达命令，DataNode执行实际的操作。
（1）存储实际的数据块。
（2）执行数据块的读/写操作。 - 4）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。
（1）辅助NameNode，分担其工作量。
（2）定期合并Fsimage和Edits，并推送给NameNode。
这时都会疑问secondary NameNode存在的意义，请看Secondary NameNode存在的意义，与NameNode的区别.
1.5 HDFS文件块大小（面试重点）
- HDFS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版本中是128M，老版本中是64M。
第2章 HDFS的Shell操作（开发重点）
2.1 基本语法
hadoop fs 具体命令 OR hdfs dfs 具体命令
dfs是fs的实现类
2.2 hadoop fs常用命令
用法是hadoop fs 加下面后缀执行
-
1.HDFS–>HDFS
- -cp:从HDFS的一个路径拷贝到HDFS的另一个路径
- -mv：在HDFS目录中移动文件
- -chown、 chgrp、chmod：Linux文件系统中的用法一样，修改文件所属权限
- -mkdir ：在HDFS上创建目录
- -du：统计文件夹的大小信息
- -df：查看文件的使用情况和分区
- -cat：显示文件内容
- -rm：删除指定文件
- -rm -R ：删除文件夹
-
2.本地–>HDFS
- -put：上传 等同于copyFromLocal
- -copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去
- -moveFromLocal：从本地剪切粘贴到HDFS
- -appendToFile：追加一个文件到已经存在的文件末尾
-
3.HDFS–>本地
- -get：等同于copyToLocal，就是从HDFS下载文件到本地
- -getmerge：合并下载多个文件，比如HDFS的目录 /user/liuyongjun/test下有多个文件:log.1, log.2,log.3,…
- -copyToLocal：从HDFS拷贝到本地
-
4.其他
- -rm：删除指定文件
- -ls: 显示目录信息
- -tail：显示一个文件的末尾
- -setrep：设置HDFS中文件的副本数量
- 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。
D:\software\hadoop-2.7.2
第3章 HDFS客户端操作（开发重点）
3.1 HDFS客户端环境准备
- 1．根据自己电脑的操作系统拷贝对应的编译后的hadoop jar包到非中文路径（例如：D:\software\hadoop-2.7.2），如图3-4所示
- 2．配置HADOOP_HOME环境变量
- 3.配置Path环境变量
在path中加入%HADOOP_HOME\bin; - 4执行winutils测试
或者这样测（都行）
测试成功一定要重启一下 - 5.创建一个Maven工程HdfsClientDemo
- 6.导入相应的依赖坐标+日志添加
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>RELEASE</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-core</artifactId>
<version>2.8.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>jdk.tools</groupId>
<artifactId>jdk.tools</artifactId>
<version>1.8</version>
<scope>system</scope>
<systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
</dependency>
</dependencies>
导完之后，需要在项目的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
- 7.创建包名：com.liuyongjun.hdfs
- 8.创建HdfsClient类
package com.liuyongjun.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;
/**
* @author liuyongjun
* @date 2020-06-30-16:19
*/
public class HdfsClient {
@Test
public void get() throws IOException, InterruptedException {
// 1 获取文件系统（hdfs抽象封装对象）
Configuration configuration = new Configuration();
// 配置在集群上运行
// configuration.set("fs.defaultFS", "hdfs://hadoop102:9000");
// FileSystem fs = FileSystem.get(configuration);
/*三个参数：URI：统一资源标识符，指定一下hdfs资源，hdfs://hadoop102:9000，首先hdfs是指schema（模式），是指用hdfs模式进行访问
hadoop102:9000是访问位置
configuration：之前搭hadoop集群，在配置文件的configration标签中配置的
user:登录用户
得到的fs就是文件系统（hdfs抽象封装对象）
*/
FileSystem fs = FileSystem.get(URI.create("hdfs://hadoop102:9000"), configuration, "liuyongjun");
// 2 下载到本地（用这个对象操作文件系统）
//Path是hadoop提供的对路径进行封装的抽象类
fs.copyToLocalFile(new Path("/test"),new Path("d:\\"));
// 3 关闭资源
//hdfs不支持并发写入，所以关闭资源
fs.close();
}
}
3.2 HDFS的API操作
- HDFS文件名更改
@Test
public void rename() throws IOException, InterruptedException {
//获取文件系统
FileSystem fs = FileSystem.get(URI.create("hdfs://hadoop102:9000"), new Configuration(), "liuyongjun");
//操作
fs.rename(new Path("/test"),new Path("/test2"));
//关闭文件系统
fs.close();
}
结果：
- 一个一个太麻烦了，其他文件操作用before，test，after一起执行，开始写before，最后写after，中间测试，头尾必执行，可以将重复命令放在那里
package com.liuyongjun.hdfs;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.apache.hadoop.io.IOUtils;
import org.junit.After;
import org.junit.Before;
import org.junit.Test;
import javax.swing.*;
import java.io.FileInputStream;
import java.io.IOException;
import java.net.URI;
/**
* @author liuyongjun
* @date 2020-06-30-16:19
*/
public class HdfsClient {
private FileSystem fs;
@Test
public void get() throws IOException, InterruptedException {
// 1 获取文件系统
Configuration configuration = new Configuration();
/*三个参数：URI：统一资源标识符，指定一下hdfs资源，hdfs://hadoop102:9000，首先hdfs是指schema（模式），是指用hdfs模式进行访问
hadoop102:9000是访问位置
configuration：之前搭hadoop集群，在配置文件的configration标签中配置的
user:登录用户
得到的fs就是文件系统（hdfs抽象对象）
*/
FileSystem fs = FileSystem.get(URI.create("hdfs://hadoop102:9000"), configuration, "liuyongjun");
// 2 下载
//Path是hadoop提供的对路径进行封装的抽象类
fs.copyToLocalFile(new Path("/test"),new Path("d:\\"));
// 3 关闭资源
//hdfs不支持并发写入，所以关闭资源
fs.close();
}
@Before
public void before() throws IOException, InterruptedException {
//获取文件系统
fs = FileSystem.get(URI.create("hdfs://hadoop102:9000"), new Configuration(), "liuyongjun");
}
@Test
public void rename() throws IOException {
//操作HDFS文件名更改
fs.rename(new Path("/test"),new Path("/test2"));
}
@Test
public void testCopyFromLocalFile() throws IOException {
//HDFS文件上传
fs.copyFromLocalFile(new Path("d:/2.txt"),new Path("/"));
}
@Test
public void append() throws IOException {
//HDFS文件拼接操作
FSDataOutputStream append = fs.append(new Path("/test/1.txt"), 1024);
FileInputStream open = new FileInputStream("d:/testhdfs/2.txt");
//流拷贝
IOUtils.copyBytes(open,append,1024,true);
//上面输入是本地，输出是hdfs，所以为文件上传
//如果输入为hdfs，输出为本地，则为文件下载
//hdfs获取输入流用open，获取输出流用append
}
@Test
public void delete() throws IOException, InterruptedException {
//删除操作
boolean delete = fs.delete(new Path("/test2"), true);
if(delete){
System.out.println("删除成功");
}else{
System.out.println("删除失败");
}
}
@Test
public void ls() throws IOException {
//HDFS文件查看
FileStatus[] fileStatuses = fs.listStatus(new Path("/"));
for (FileStatus fileStatus : fileStatuses) {
//HDFS文件和文件夹判断
if(fileStatus.isFile()){
System.out.println("以下信息是一个文件的信息");
System.out.println(fileStatus.getPath());
System.out.println(fileStatus.getLen());
}else{
System.out.println("以下信息是一个文件夹的信息");
System.out.println(fileStatus.getPath());
}
}
}
@Test
public void listFiles() throws IOException {
//查看目录下所有文件
RemoteIterator<LocatedFileStatus> files = fs.listFiles(new Path("/"), true);
while(files.hasNext()){
LocatedFileStatus file = files.next();
System.out.println("==============================");
System.out.println(file.getPath());
System.out.println("块信息");
BlockLocation[] blockLocations = file.getBlockLocations();
for (BlockLocation blockLocation : blockLocations) {
String[] hosts = blockLocation.getHosts();
System.out.print("块在");
for (String host : hosts) {
System.out.print(host+" ");
}
}
}
}
@After
public void after() throws IOException {
//关闭文件系统
fs.close();
}
}
- 注意参数优先级的考虑
- 拿上传文件进行举例
- 首先将hdfs-site.xml拷贝到项目的根目录下
hdfs-site.xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!--指定HDFS副本的数量-->
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
</configuration>
上传程序
@Test
public void testCopyFromLocalFile() throws Exception {
// 1 获取文件系统
Configuration configuration = new Configuration();
//设置配置文件
configuration.set("dfs.replication", "1");
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "liuyongjun");
// 2 上传文件
fs.copyFromLocalFile(new Path("d:/1.txt"), new Path("/1.txt"));
// 3 关闭资源
fs.close();
System.out.println("over");
}
上面我们设置副本数，服务器默认是3个，ClassPath下的用户自定义配置2个，客户端代码中设置的是1个，我们看看它响应哪个，则哪个优先级高
如图，副本数为：
所以参数优先级排序：（1）客户端代码中设置的值 >（2）ClassPath下的用户自定义配置文件 >（3）然后是服务器的默认配置
第四章HDFS的数据流（面试重点）
4.1HDFS 写数据流程
- 首先，两个重要概念：
NameNode：领导级别。管理数据块映射；处理客户端的读写请求；配置副本策略；管理HDFS的名称空间；
DataNode：员工级别。负责存储客户端发来的数据块block；执行数据块的读写操作。
- 写流程
写详细步骤：
1、首先向namenode通信，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 ，还得看看是否有上传的权限，说白了，就是判断是否可以上传
2、namenode返回是否可以上传 ，如果可以，client会先对文件进行切分（逻辑切分）
3、客户端请求第一个 Block上传到哪几个DataNode服务器上。
4、NameNode返回3个DataNode节点，分别为dn1、dn2、dn3。
5、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。
6、dn1、dn2、dn3逐级应答客户端。
7、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。
8、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）。
9、传输完毕之后，客户端关闭流资源，并且会告诉hdfs数据传输完毕，然后hdfs收到传输完毕就恢复元数据
-
具体概念介绍
-
Distributed FileSystem:进行抽象封装，FileSystem会利用JDK的反射机制创建一个DistributedFileSystem实例（对象），然后调用它的initialize()方法
-
逻辑切分：客户端并没有将文件真正切分，只是画了个标志线加以区分
-
写操作，上传文件，所以本地是输入流，hdfs是输出流
-
第三步有哪几个DataNode服务器上：这里指副本数，设置了几个副本，就返回几个DataNode（记住数据是存储在DataNode）我设置了三个副本，所以，返回三个；
-
同时，返回的DataNode也有一定规矩，首先第一个DataNode是距离客户端最近的，后两个是根据第一个选出，产生了两个问题，如何判断最近，以及如何根据第一个选，这个请看: 拓扑距离和机架感知.
-
第七步，packet为单位，每个64KB
-
传输Packet：dn1收到之后，一边往本地落盘，一边传给dn2，之后的dn2同理，当dn3落盘结束之后，它将成功信息发给dn2，之后dn2需要等自己成功并且收到dn3成功信息之后，将成功信息发给dn1,同理，dn1在接收到dn2成功信息并且自己落盘成功之后发给客户端，此时一个packet就成功了；注意packet不是逐个发的，是一个队列同时发的，成功了，在队列里删除掉，这样全部packet发完，第一块就传完了，接着传第二块，第二次选择的DataNode可能和第一次一样，也可能不一样
-
传输过程中几种失败可能：
- 1.在建立通道时失败，这样直接上传失败，直接抛异常
- 2.在传输数据过程中失败：
- 1）.客户端传输Packet到第一个DataNode过程中失败就上传失败
- 2）dn1与dn2或者dn2与dn3之间的传输Packet失败，上传仍然进行，并且传出成功信号，因为即使这两个过程失败了，副本数就变成1了，hdfs有高容错性，副本丢失，第一个DataNode会触发自动备份，自动寻找两个DataNode
4.2 HDFS读数据流程
- 读流程
1）客户端通过Distributed FileSystem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。
2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
3）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）。
4）客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。
5）下载完第一块，在重复上面2.3步下载