HDFS知识点汇总

一.Hdfs简介

hdfs是一个文件系统，用于存储文件，通过统一的命名空间——目录树来定位文件,并且是分布式的，由很多服务器联合起来实现其功能，集群中的服务器各自负责角色；

角色：

HDFS的三个节点：Namenode，Datanode，Secondary Namenode Namenode：HDFS的守护进程，用来管理文件系统的命名空间，负责记录文件是如何分割成数据块，以及这些数据块分别被存储到那些数据节点上，它的主要功能是对内存及IO进行集中管理。 Datanode：文件系统的工作节点，根据需要存储和检索数据块，并且定期向namenode发送他们所存储的块的列表。 Secondary Namenode：辅助后台程序，与NameNode进行通信，以便定期保存HDFS元数据的快照。

重要特征：

　　1.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

使用数据块的好处是： （1）一个文件的大小可以大于网络中任意一个磁盘的容量。文件的所有块不需要存储在同一个磁盘上，因此它们可以 利用 集群上的任意一个磁盘进行存储。 （2）简化了存储子系统的设计，将存储子系统控制单元设置为块，可简化存储管理，同时元数据就不需要和块一同存 储，  用一个单独的系统就可以管理这些块的元数据。 （3）数据块适合用于数据备份进而提供数据容错能力和提高可用性。

 　 2.HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data

　  3.目录结构及文件分块信息(元数据)的管理由namenode节点承担——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）

     4.文件的各个block的存储管理由datanode节点承担---- datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）

     5.HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改

二.Hdfs的shell(命令行客户端)常用命令

 Hdfs提供shell命令行客户端，使用方法如下：

常用命令参数介绍：

-help             功能：输出这个命令参数手册

-ls                  功能：显示目录信息 示例： hadoop fs -ls hdfs://hadoop-server01:9000/ 备注：这些参数中，所有的hdfs路径都可以简写 -->hadoop fs -ls /   等同于上一条命令的效果

-mkdir              功能：在hdfs上创建目录 示例：hadoop fs  -mkdir  -p  /aaa/bbb/cc/dd

-moveFromLocal            功能：从本地剪切粘贴到hdfs 示例：hadoop  fs  - moveFromLocal  /home/hadoop/a.txt  /aaa/bbb/cc/dd -moveToLocal              功能：从hdfs剪切粘贴到本地 示例：hadoop  fs  - moveToLocal   /aaa/bbb/cc/dd  /home/hadoop/a.txt

--appendToFile  功能：追加一个文件到已经存在的文件末尾 示例：hadoop  fs  -appendToFile  ./hello.txt  hdfs://hadoop-server01:9000/hello.txt 可以简写为： Hadoop  fs  -appendToFile  ./hello.txt  /hello.txt

-cat  功能：显示文件内容  示例：hadoop fs -cat  /hello.txt   -tail                 功能：显示一个文件的末尾 示例：hadoop  fs  -tail  /weblog/access_log.1 -text                  功能：以字符形式打印一个文件的内容 示例：hadoop  fs  -text  /weblog/access_log.1

-chgrp -chmod -chown 功能：linux文件系统中的用法一样，对文件所属权限 示例： hadoop  fs  -chmod  666  /hello.txt hadoop  fs  -chown  someuser:somegrp   /hello.txt

-copyFromLocal    功能：从本地文件系统中拷贝文件到hdfs路径去 示例：hadoop  fs  -copyFromLocal  ./jdk.tar.gz  /aaa/ -copyToLocal      功能：从hdfs拷贝到本地 示例：hadoop fs -copyToLocal /aaa/jdk.tar.gz

-cp              功能：从hdfs的一个路径拷贝hdfs的另一个路径 示例： hadoop  fs  -cp  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2   -mv                     功能：在hdfs目录中移动文件 示例： hadoop  fs  -mv  /aaa/jdk.tar.gz  /

-get              功能：等同于copyToLocal，就是从hdfs下载文件到本地 示例：hadoop fs -get  /aaa/jdk.tar.gz -getmerge             功能：合并下载多个文件 示例：比如hdfs的目录 /aaa/下有多个文件:log.1, log.2,log.3,... hadoop fs -getmerge /aaa/log.* ./log.sum

-put                功能：等同于copyFromLocal 示例：hadoop  fs  -put  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2

-rm                功能：删除文件或文件夹 示例：hadoop fs -rm -r /aaa/bbb/   -rmdir                 功能：删除空目录 示例：hadoop  fs  -rmdir   /aaa/bbb/ccc

-df               功能：统计文件系统的可用空间信息 示例：hadoop  fs  -df  -h  /   -du 功能：统计文件夹的大小信息 示例： hadoop  fs  -du  -s  -h /aaa/*

-count         功能：统计一个指定目录下的文件节点数量 示例：hadoop fs -count /aaa/

-setrep                功能：设置hdfs中文件的副本数量 示例：hadoop fs -setrep 3 /aaa/jdk.tar.gz

三.Hdfs的工作机制

1.概述

　　 　   （1）HDFS集群分为两大角色：NameNode、DataNode

　　　　（2）NameNode负责管理整个文件系统的元数据

　　　　（3）DataNode 负责管理用户的文件数据块

　　　　（4）文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上

　　　　（5）每一个文件块可以有多个副本，并存放在不同的datanode上

　　　　（6）Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量

　　　　（7）HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行

2.HDFS写数据流程

 　　（1）客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本

　　　　

　　（2）详细步骤解析

　　　　1.根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

　　　　2.namenode返回是否可以上传

　　　　3.client请求第一个 block该传输到哪些datanode服务器上

　　　　4.namenode返回3个datanode服务器ABC

　　　　5.client请求3台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用                C，将真个pipeline建立完成，逐级返回客户端

　　　　6.client开始往A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，A收到一个packet就                 会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答

　　　　7.当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。

3.HDFS读数据流程

　　　　(1)客户端将要读取的文件路径发送给namenode，namenode获取文件的元信息（主要是block的存放位置信息）返回给客户端，客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件

　　　　

　　　　(2)详细步骤解析

　　　　　　1.跟namenode通信查询元数据，找到文件块所在的datanode服务器

　　　　　　2.挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流

　　　　　　3.datanode开始发送数据（从磁盘里面读取数据放入流，以packet为单位来做校验）

　　　　　　4.客户端以packet为单位接收，现在本地缓存，然后写入目标文件

四.Namenode工作机制

　　1.Namenode工作职责：负责客户端请求的响应，元数据的管理（查询，修改）

　　2.元数据管理 ： namenode对数据的管理采用了三种存储形式：内存元数据(NameSystem)  磁盘元数据镜像文件数据操作日志文件（可通过日志运算出元数据）

　　3.元数据存储机制：

　　A、内存中有一份完整的元数据(内存meta data)

　　B、磁盘有一个“准完整”的元数据镜像（fsimage）文件(在namenode的工作目录中)

　　C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志（edits文件）注：当客户端对hdfs中的文件进行新                增或者修改操作，操作记录首先被记入edits日志文件中，当客户端操作成功后，相应的元数据会更新到内存meta.data中

　　4.元数据的checkpoint：每隔一段时间，会由secondary namenode将namenode上积累的所有edits和一个最新的fsimage下              载到本地，并加载到内存进行merge（这个过程称为checkpoint）

　　　　

　　　　checkpoint操作的触发条件配置参数：

　　　　　　dfs.namenode.checkpoint.check.period=60  #检查触发条件是否满足的频率，60秒

　　　　　　dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary

　　　　　　#以上两个参数做checkpoint操作时，secondary namenode的本地工作目录

　　　　　　dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir}

　　　　　　dfs.namenode.checkpoint.max-retries=3  #最大重试次数

　　　　　　dfs.namenode.checkpoint.period=3600  #两次checkpoint之间的时间间隔3600秒

　　　　　　dfs.namenode.checkpoint.txns=1000000 #两次checkpoint之间最大的操作记录

　　　　checkpoint的附带作用

　　　　　　namenode和secondary namenode的工作目录存储结构完全相同，所以，当namenode故障退出需要重新恢复时，                    可以从secondary namenode的工作目录中将fsimage拷贝到namenode的工作目录，以恢复namenode的元数据.

五.Datanode工作机制

　　1.Datanode工作职责：存储管理用户的文件块数据，定期向namenode汇报自身所持有的block信息（通过心跳信息上报）　　　　

      　　   dfs.blockreport.intervalMsec

        　　 3600000

         　　Determines block reporting interval in milliseconds. 

　　2.Datanode掉线判断时限参数

　　　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 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval。 而默认的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 配置文件中的heartbeat.recheck.interval的单位为毫秒，dfs.heartbeat.interval的单位为秒。所以，举个例子，如果heartbeat.recheck.interval设置为5000（毫秒），dfs.heartbeat.interval设置为3（秒，默认），则总的超           时时间为40秒。　　

        　　　heartbeat.recheck.interval

        　　　2000





      　　  dfs.heartbeat.interval

        　　1

六. Hdfs的java操作

1.搭建开发环境

　　　　(1)引入依赖　　　　　

　

    　　　　　　org.apache.hadoop

    　　　　　　hadoop-client

    　　　　　　2.6.1

　

　　　　(2)window下开发的说明  建议在linux下进行hadoop应用的开发，不会存在兼容性问题。如在window上做客户端应用开发，需要设置以下环境：

　　　　　　A、在windows的某个目录下解压一个hadoop的安装包

　　　　　　B、将安装包下的lib和bin目录用对应windows版本平台编译的本地库替换

　　　　　　C、在window系统中配置HADOOP_HOME指向你解压的安装包

　　　　　　D、在windows系统的path变量中加入hadoop的bin目录

2.HDFS客户端操作数据代码示例：

(1) 文件的增删改查

public class HdfsClient {

         FileSystem fs = null;

         @Before
         public void init() throws Exception {

                   // 构造一个配置参数对象，设置一个参数：我们要访问的hdfs的URI
                   // 从而FileSystem.get()方法就知道应该是去构造一个访问hdfs文件系统的客户端，以及hdfs的访问地址
                   // new Configuration();的时候，它就会去加载jar包中的hdfs-default.xml
                   // 然后再加载classpath下的hdfs-site.xml
                   Configuration conf = new Configuration();
                   conf.set("fs.defaultFS", "hdfs://hdp-node01:9000");
                   /**
                    * 参数优先级： 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
                    */
                   conf.set("dfs.replication", "3");

                   // 获取一个hdfs的访问客户端，根据参数，这个实例应该是DistributedFileSystem的实例
                   // fs = FileSystem.get(conf);

                   // 如果这样去获取，那conf里面就可以不要配"fs.defaultFS"参数，而且，这个客户端的身份标识已经是hadoop用户
                   fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");

         }

         /**
          * 往hdfs上传文件
          *
          * @throws Exception
          */
         @Test
         public void testAddFileToHdfs() throws Exception {

                   // 要上传的文件所在的本地路径
                   Path src = new Path("g:/redis-recommend.zip");
                   // 要上传到hdfs的目标路径
                   Path dst = new Path("/aaa");
                   fs.copyFromLocalFile(src, dst);
                   fs.close();
         }

         /**
          * 从hdfs中复制文件到本地文件系统
          *
          * @throws IOException
          * @throws IllegalArgumentException
          */
         @Test
         public void testDownloadFileToLocal() throws IllegalArgumentException, IOException {
                   fs.copyToLocalFile(new Path("/jdk-7u65-linux-i586.tar.gz"), new Path("d:/"));
                   fs.close();
         }

         @Test
         public void testMkdirAndDeleteAndRename() throws IllegalArgumentException, IOException {

                   // 创建目录
                   fs.mkdirs(new Path("/a1/b1/c1"));

                   // 删除文件夹 ，如果是非空文件夹，参数2必须给值true
                   fs.delete(new Path("/aaa"), true);

                   // 重命名文件或文件夹
                   fs.rename(new Path("/a1"), new Path("/a2"));

         }

         /**
          * 查看目录信息，只显示文件
          *
          * @throws IOException
          * @throws IllegalArgumentException
          * @throws FileNotFoundException
          */
         @Test
         public void testListFiles() throws FileNotFoundException, IllegalArgumentException, IOException {

                   // 思考：为什么返回迭代器，而不是List之类的容器
                   RemoteIterator listFiles = fs.listFiles(new Path("/"), true);

                   while (listFiles.hasNext()) {
                            LocatedFileStatus fileStatus = listFiles.next();
                            System.out.println(fileStatus.getPath().getName());
                            System.out.println(fileStatus.getBlockSize());
                            System.out.println(fileStatus.getPermission());
                            System.out.println(fileStatus.getLen());
                            BlockLocation[] blockLocations = fileStatus.getBlockLocations();
                            for (BlockLocation bl : blockLocations) {
                                     System.out.println("block-length:" + bl.getLength() + "--" + "block-offset:" + bl.getOffset());
                                     String[] hosts = bl.getHosts();
                                     for (String host : hosts) {
                                               System.out.println(host);
                                     }
                            }
                            System.out.println("--------------为angelababy打印的分割线--------------");
                   }
         }

         /**
          * 查看文件及文件夹信息
          *
          * @throws IOException
          * @throws IllegalArgumentException
          * @throws FileNotFoundException
          */
         @Test
         public void testListAll() throws FileNotFoundException, IllegalArgumentException, IOException {

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

                   String flag = "d--             ";
                   for (FileStatus fstatus : listStatus) {
                            if (fstatus.isFile())  flag = "f--         ";
                            System.out.println(flag + fstatus.getPath().getName());
                   }
         }
}

(2)通过流的方式访问hdfs

/**
 * 相对那些封装好的方法而言的更底层一些的操作方式
 * 上层那些mapreduce   spark等运算框架，去hdfs中获取数据的时候，就是调的这种底层的api
 * @author
 *
 */
public class StreamAccess {
        
         FileSystem fs = null;
 
         @Before
         public void init() throws Exception {
 
                   Configuration conf = new Configuration();
                   fs = FileSystem.get(new URI("hdfs://hdp-node01:9000"), conf, "hadoop");
 
         }
        
        
        
         @Test
         public void testDownLoadFileToLocal() throws IllegalArgumentException, IOException{
                  
                   //先获取一个文件的输入流----针对hdfs上的
                   FSDataInputStream in = fs.open(new Path("/jdk-7u65-linux-i586.tar.gz"));
                  
                   //再构造一个文件的输出流----针对本地的
                   FileOutputStream out = new FileOutputStream(new File("c:/jdk.tar.gz"));
                  
                   //再将输入流中数据传输到输出流
                   IOUtils.copyBytes(in, out, 4096);
                  
                  
         }
        
        
         /**
          * hdfs支持随机定位进行文件读取，而且可以方便地读取指定长度
          * 用于上层分布式运算框架并发处理数据
          * @throws IllegalArgumentException
          * @throws IOException
          */
         @Test
         public void testRandomAccess() throws IllegalArgumentException, IOException{
                   //先获取一个文件的输入流----针对hdfs上的
                   FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));
                  
                  
                   //可以将流的起始偏移量进行自定义
                   in.seek(22);
                  
                   //再构造一个文件的输出流----针对本地的
                   FileOutputStream out = new FileOutputStream(new File("c:/iloveyou.line.2.txt"));
                  
                   IOUtils.copyBytes(in,out,19L,true);
                  
         }
        
        
        
         /**
          * 显示hdfs上文件的内容
          * @throws IOException
          * @throws IllegalArgumentException
          */
         @Test
         public void testCat() throws IllegalArgumentException, IOException{
                  
                   FSDataInputStream in = fs.open(new Path("/iloveyou.txt"));
                  
                   IOUtils.copyBytes(in, System.out, 1024);
         }
}