Hadoop 学习笔记·五 —— Hadoop 之 HDFS
HDFS
HDFS 概述
随着数据量越来越大，在一个操作系统中存不下所有的数据，那么就需要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，因此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 概述
HDFS（Hadoop Distributed File System），是一个文件系统，用来存储文件，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，且不支持文件的修改
- 适合用来做数据分析，但是不适合用来做网盘应用
HDFS 优缺点
优点：
-
高容错性
- 数据自动保存多个副本，通过增加副本的形式，提高容错性
- 某一个副本丢失后，它可以自动恢复
-
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，数量很大
-
可构建在廉价机器上，通过多副本机制，提高可靠性
缺点：
-
不适合低延时数据访问，比如毫秒级别的存储数据，是做不到的
-
无法有效的对大量小文件进行存储
- 存储大量小文件的话，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，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入
- 仅支持数据
append（追加），不支持文件的随机修改
HDFS 组成架构
HDFS 文件块
为什么块的大小不能设置太小，也不能设置太大呢？
- HDFS 的块设置太小，会增加寻址时间，使得程序一直在找块的开始位置；
- 如果块设置得太大，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
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
bin/hadoop fs 具体命令 OR bin/hdfs dfs 具体命令
dfs 是 fs 的实现类。
命令大全
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs
[-appendToFile ... ]
[-cat [-ignoreCrc] ...]
[-checksum ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] [,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] ... ]
[-copyToLocal [-p] [-ignoreCrc] [-crc] ... ]
[-count [-q] ...]
[-cp [-f] [-p] ... ]
[-createSnapshot []]
[-deleteSnapshot ]
[-df [-h] [ ...]]
[-du [-s] [-h] ...]
[-expunge]
[-get [-p] [-ignoreCrc] [-crc] ... ]
[-getfacl [-R] ]
[-getmerge [-nl] ]
[-help [cmd ...]]
[-ls [-d] [-h] [-R] [ ...]]
[-mkdir [-p] ...]
[-moveFromLocal ... ]
[-moveToLocal ]
[-mv ... ]
[-put [-f] [-p] ... ]
[-renameSnapshot ]
[-rm [-f] [-r|-R] [-skipTrash] ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-setfacl [-R] [{
-b|-k} {
-m|-x } ]|[--set ]]
[-setrep [-R] [-w] ...]
[-stat [format] ...]
[-tail [-f] ]
[-test -[defsz] ]
[-text [-ignoreCrc] ...]
[-touchz ...]
[-usage [cmd ...]]
常用命令
（0）启动 Hadoop 集群（方便后续的测试）
[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
[atguigu@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh
（1）-help：输出这个命令参数
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -help rm
（2）-ls: 显示目录信息
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -ls /
（3）-mkdir：在 HDFS 上创建目录
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mkdir -p /sanguo/shuguo
（4）-moveFromLocal：从本地剪切粘贴到 HDFS
[atguigu@hadoop102 hadoop-2.7.2]$ touch kongming.txt
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -moveFromLocal ./kongming.txt /sanguo/shuguo
（5）-appendToFile：追加一个文件到已经存在的文件末尾
[atguigu@hadoop102 hadoop-2.7.2]$ touch liubei.txt
[atguigu@hadoop102 hadoop-2.7.2]$ vi liubei.txt
输入
san gu mao lu
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -appendToFile liubei.txt /sanguo/shuguo/kongming.txt
（6）-cat：显示文件内容
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -cat /sanguo/shuguo/kongming.txt
（7）-chgrp 、-chmod、-chown：Linux 文件系统中的用法一样，修改文件所属权限
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -chmod 666 /sanguo/shuguo/kongming.txt
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -chown atguigu:atguigu /sanguo/shuguo/kongming.txt
（8）-copyFromLocal：从本地文件系统中拷贝文件到 HDFS 路径去
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -copyFromLocal README.txt /
（9）-copyToLocal：从 HDFS 拷贝到本地
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -copyToLocal /sanguo/shuguo/kongming.txt ./
（10）-cp ：从 HDFS 的一个路径拷贝到 HDFS 的另一个路径
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -cp /sanguo/shuguo/kongming.txt /zhuge.txt
（11）-mv：在 HDFS 目录中移动文件
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mv /zhuge.txt /sanguo/shuguo/
（12）-get：等同于 copyToLocal，就是从 HDFS 下载文件到本地
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -get /sanguo/shuguo/kongming.txt ./
（13）-getmerge：合并下载多个文件，比如 HDFS 的目录
/user/atguigu/test下有多个文件:log.1, log.2,log.3,...
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -getmerge /user/atguigu/test/* ./zaiyiqi.txt
（14）-put：等同于 copyFromLocal
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -put ./zaiyiqi.txt /user/atguigu/test/
（15）-tail：显示一个文件的末尾
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -tail /sanguo/shuguo/kongming.txt
（16）-rm：删除文件或文件夹
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -rm /user/atguigu/test/jinlian2.txt
（17）-rmdir：删除空目录
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mkdir /test
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -rmdir /test
（18）-du：统计文件夹的大小信息
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -du -s -h /user/atguigu/test
2.7 K /user/atguigu/test
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -du -h /user/atguigu/test
1.3 K /user/atguigu/test/README.txt
15 /user/atguigu/test/jinlian.txt
1.4 K /user/atguigu/test/zaiyiqi.txt
（19）-setrep：设置 HDFS 中文件的副本数量
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -setrep 10 /sanguo/shuguo/kongming.txt
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 的客户端操作
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:\Develop\hadoop-2.7.2）
2．配置HADOOP_HOME环境变量
3. 配置 Path 环境变量
4．创建一个 Maven 工程 HdfsClientDemo
5．导入相应的依赖坐标+日志添加
junit</groupId>
junit</artifactId>
RELEASE</version>
</dependency>
org.apache.logging.log4j</groupId>
log4j-core</artifactId>
2.8.2</version>
</dependency>
org.apache.hadoop</groupId>
hadoop-common</artifactId>
2.7.2</version>
</dependency>
org.apache.hadoop</groupId>
hadoop-client</artifactId>
2.7.2</version>
</dependency>
org.apache.hadoop</groupId>
hadoop-hdfs</artifactId>
2.7.2</version>
</dependency>
jdk.tools</groupId>
jdk.tools</artifactId>
1.8</version>
system</scope>
${
JAVA_HOME}/lib/tools.jar</systemPath>
</dependency>
</dependencies>
注意：如果 Eclipse/Idea 打印不出日志，在控制台上只显示
1.log4j:WARN No appenders could be found for logger (org.apache.hadoop.util.Shell).
2.log4j:WARN Please initialize the log4j system properly.
3.log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
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
6．创建包名：com.atguigu.hdfs
7．创建 HdfsClient 类
public class HdfsClient{
@Test
public void testMkdirs() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
// 配置在集群上运行
// configuration.set("fs.defaultFS", "hdfs://hadoop102:9000");
// FileSystem fs = FileSystem.get(configuration);
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 创建目录
fs.mkdirs(new Path("/1108/daxian/banzhang"));
// 3 关闭资源
fs.close();
}
}
8．执行程序
运行时需要配置用户名称
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 JVM 中获取一个参数来作为自己的用户身份：-DHADOOP_USER_NAME=atguigu，atguigu 为用户名称
HDFS 的 API 操作
HDFS 文件上传（测试参数优先级）
1．编写源代码
@Test
public void testCopyFromLocalFile() throws IOException, InterruptedException, URISyntaxException {
// 1 获取文件系统
Configuration configuration = new Configuration();
configuration.set("dfs.replication", "2");
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 上传文件
fs.copyFromLocalFile(new Path("e:/banzhang.txt"), new Path("/banzhang.txt"));
// 3 关闭资源
fs.close();
System.out.println("over");
}
2．将 hdfs-site.xml 拷贝到项目的根目录下
"1.0" encoding="UTF-8"?>
-stylesheet type="text/xsl" href="configuration.xsl"?>
dfs.replication</name>
1</value>
</property>
</configuration>
3．参数优先级
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
HDFS 文件下载
@Test
public void testCopyToLocalFile() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 执行下载操作
// boolean delSrc 指是否将原文件删除
// Path src 指要下载的文件路径
// Path dst 指将文件下载到的路径
// boolean useRawLocalFileSystem 是否开启文件校验
fs.copyToLocalFile(false, new Path("/banzhang.txt"), new Path("e:/banhua.txt"), true);
// 3 关闭资源
fs.close();
}
#### HDFS文件夹删除
@Test
public void testDelete() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 执行删除
fs.delete(new Path("/0508/"), true);
// 3 关闭资源
fs.close();
}
HDFS 文件名更改
@Test
public void testRename() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 修改文件名称
fs.rename(new Path("/banzhang.txt"), new Path("/banhua.txt"));
// 3 关闭资源
fs.close();
}
HDFS 文件详情查看
查看文件名称、权限、长度、块信息
@Test
public void testListFiles() throws IOException, InterruptedException, URISyntaxException{
// 1获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 获取文件详情
RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
while(listFiles.hasNext()){
LocatedFileStatus status = listFiles.next();
// 输出详情
// 文件名称
System.out.println(status.getPath().getName());
// 长度
System.out.println(status.getLen());
// 权限
System.out.println(status.getPermission());
// 分组
System.out.println(status.getGroup());
// 获取存储的块信息
BlockLocation[] blockLocations = status.getBlockLocations();
for (BlockLocation blockLocation : blockLocations) {
// 获取块存储的主机节点
String[] hosts = blockLocation.getHosts();
for (String host : hosts) {
System.out.println(host);
}
}
System.out.println("-----------班长的分割线----------");
}
// 3 关闭资源
fs.close();
}
HDFS 文件和文件夹判断
@Test
public void testListStatus() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件配置信息
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 判断是文件还是文件夹
FileStatus[] listStatus = fs.listStatus(new Path("/"));
for (FileStatus fileStatus : listStatus) {
// 如果是文件
if (fileStatus.isFile()) {
System.out.println("f:"+fileStatus.getPath().getName());
}else {
System.out.println("d:"+fileStatus.getPath().getName());
}
}
// 3 关闭资源
fs.close();
}
HDFS 的 I/O 流操作
上面我们学的 API 操作 HDFS 系统都是框架封装好的。那么如果我们想自己实现上述 API 的操作该怎么实现呢？
我们可以采用 IO 流的方式实现数据的上传和下载
HDFS 文件上传
1．需求：把本地的 banhua.txt 文件上传到 HDFS 根目录
2．编写代码
@Test
public void putFileToHDFS() throws IOException, InterruptedException, URISyntaxException {
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 创建输入流
FileInputStream fis = new FileInputStream(new File("e:/banhua.txt"));
// 3 获取输出流
FSDataOutputStream fos = fs.create(new Path("/banhua.txt"));
// 4 流对拷
IOUtils.copyBytes(fis, fos, configuration);
// 5 关闭资源
IOUtils.closeStream(fos);
IOUtils.closeStream(fis);
fs.close();
}
HDFS文件下载
1．需求：从 HDFS 上下载 banhua.txt 文件到本地e盘上
2．编写代码
// 文件下载
@Test
public void getFileFromHDFS() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 获取输入流
FSDataInputStream fis = fs.open(new Path("/banhua.txt"));
// 3 获取输出流
FileOutputStream fos = new FileOutputStream(new File("e:/banhua.txt"));
// 4 流的对拷
IOUtils.copyBytes(fis, fos, configuration);
// 5 关闭资源
IOUtils.closeStream(fos);
IOUtils.closeStream(fis);
fs.close();
}
定位文件读取
1．需求：分块读取 HDFS 上的大文件，比如根目录下的 /hadoop-2.7.2.tar.gz
2．编写代码
（1）下载第一块
@Test
public void readFileSeek1() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 获取输入流
FSDataInputStream fis = fs.open(new Path("/hadoop-2.7.2.tar.gz"));
// 3 创建输出流
FileOutputStream fos = new FileOutputStream(new File("e:/hadoop-2.7.2.tar.gz.part1"));
// 4 流的拷贝
byte[] buf = new byte[1024];
for(int i =0 ; i < 1024 * 128; i++){
fis.read(buf);
fos.write(buf);
}
// 5关闭资源
IOUtils.closeStream(fis);
IOUtils.closeStream(fos);
fs.close();
}
（2）下载第二块
@Test
public void readFileSeek2() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:9000"), configuration, "atguigu");
// 2 打开输入流
FSDataInputStream fis = fs.open(new Path("/hadoop-2.7.2.tar.gz"));
// 3 定位输入数据位置
fis.seek(1024*1024*128);
// 4 创建输出流
FileOutputStream fos = new FileOutputStream(new File("e:/hadoop-2.7.2.tar.gz.part2"));
// 5 流的对拷
IOUtils.copyBytes(fis, fos, configuration);
// 6 关闭资源
IOUtils.closeStream(fis);
IOUtils.closeStream(fos);
}
（3）合并文件
在 Window 命令窗口 中进入到目录 E:\，然后执行如下命令，对数据进行合并
type hadoop-2.7.2.tar.gz.part2 >> hadoop-2.7.2.tar.gz.part1
合并完成后，将 hadoop-2.7.2.tar.gz.part1 重新命名为 hadoop-2.7.2.tar.gz。解压发现该 tar 包非常完整。
HDFS 的数据流
HDFS 写数据流程
剖析文件写入
1）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。
2）NameNode 返回是否可以上传。
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）。
网络拓扑-节点距离计算
在 HDFS 写数据的过程中，NameNode 会选择距离上传数据最近的 DataNode 接收数据，因此需要计算最近距离
节点距离：
两个节点达到最近的共同祖先的距离之和
例如，假设有数据中心 d1 机架 r1 中的节点 n1。该节点可以表示为 /d1/r1/n1。利用这种标记，这里给出四种距离描述，如上述图中所示
机架感知（副本存储节点选择）
对于 Hadoop2.7.2 的副本节点选择，如下图所示
HDFS 读数据流程
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。
NameNode 和 SecondaryNameNode
NN 和 2NN 的工作机制
-
问题1：
NameNode 的元数据如果存储在 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。 -
解决1：
因此，元数据需要存放在内存中。 -
问题2：
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。 -
解决2：
因此，产生在磁盘中备份元数据的 FsImage。 -
问题3：
然而，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。 -
解决3：
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。 -
问题4：
但是，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。 -
解决4：
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。
1. 第一阶段：NameNode 启动
（1）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。
（2）客户端对元数据进行增删改的请求。
（3）NameNode 记录操作日志，更新滚动日志。
（4）NameNode 在内存中对数据进行增删改。
2. 第二阶段：Secondary NameNode 工作
（1）Secondary NameNode 询问 NameNode 是否需要 CheckPoint。直接带回 NameNode 是否检查结果。
（2）Secondary NameNode 请求执行 CheckPoint。
（3）NameNode 滚动正在写的 Edits 日志。
（4）将滚动前的编辑日志和镜像文件拷贝到 Secondary NameNode。
（5）Secondary NameNode 加载编辑日志和镜像文件到内存，并合并。
（6）生成新的镜像文件 fsimage.chkpoint。
（7）拷贝 fsimage.chkpoint 到 NameNode。
（8）NameNode 将 fsimage.chkpoint 重新命名成 fsimage。
Fsimage：
NameNode 内存中元数据序列化后形成的文件。
Edits：
记录客户端更新元数据信息的每一步操作（可通过 Edits 运算出元数据）。
NameNode 启动时，先滚动 Edits 并生成一个空的 edits.inprogress，然后加载 Edits 和 Fsimage 到内存中，此时 NameNode 内存就持有最新的元数据信息。
Client 开始对 NameNode 发送元数据的增删改的请求，这些请求的操作首先会被记录到 edits.inprogress 中（查询元数据的操作不会被记录在 Edits中，因为查询操作不会更改元数据信息），如果此时 NameNode 挂掉，重启后会从 Edits 中读取元数据的信息。然后，NameNode 会在内存中执行元数据的增删改的操作。
由于 Edits 中记录的操作会越来越多，Edits 文件会越来越大，导致 NameNode 在启动加载 Edits 时会很慢，所以需要对 Edits 和 Fsimage 进行合并（所谓合并，就是将Edits和Fsimage加载到内存中，照着Edits中的操作一步步执行，最终形成新的Fsimage）。
SecondaryNameNode 的作用就是帮助 NameNode 进行 Edits 和 Fsimage 的合并工作。
SecondaryNameNode 首先会询问 NameNode 是否需要 CheckPoint（触发 CheckPoint 需要满足两个条件中的任意一个，定时时间到和 Edits 中数据写满了）。直接带回 NameNode 是否检查结果。
SecondaryNameNode 执行 CheckPoint 操作，首先会让 NameNode 滚动 Edits 并生成一个空的 edits.inprogress，滚动 Edits 的目的是给 Edits 打个标记，以后所有新的操作都写入 edits.inprogress，其他未合并的 Edits 和 Fsimage 会拷贝到 SecondaryNameNode 的本地，然后将拷贝的 Edits 和 Fsimage 加载到内存中进行合并，生成 fsimage.chkpoint，然后将 fsimage.chkpoint 拷贝给 NameNode，重命名为 Fsimage 后替换掉原来的 Fsimage。
NameNode 在启动时就只需要加载之前未合并的 Edits 和 Fsimage 即可，因为合并过的 Edits 中的元数据信息已经被记录在 Fsimage 中。
Fsimage 和 Edits 解析
NameNode 被格式化之后，将在 /opt/module/hadoop-2.7.2/data/tmp/dfs/name/current 目录中产生如下文件
fsimge_00000000000000000000
fsimge_00000000000000000000.md5
seen_txid
VERSION
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，可以看作是——NameNode 启动的时候将 Fsimage 和 Edits 文件进行了合并
oiv 查看 Fsimage 文件
（1）查看 oiv 和 oev 命令
[atguigu@hadoop102 current]$ hdfs
oiv apply the offline fsimage viewer to an fsimage
oev apply the offline edits viewer to an edits file
（2）基本语法
hdfs oiv -p 文件类型 -i镜像文件 -o 转换后文件输出路径
（3）案例实操
[atguigu@hadoop102 current]$ pwd
/opt/module/hadoop-2.7.2/data/tmp/dfs/name/current
[atguigu@hadoop102 current]$ hdfs oiv -p XML -i fsimage_0000000000000000025 -o /opt/module/hadoop-2.7.2/fsimage.xml
[atguigu@hadoop102 current]$ cat /opt/module/hadoop-2.7.2/fsimage.xml
将显示的 xml 文件内容拷贝到 Eclipse 中创建的 xml 文件中，并格式化。部分显示结果如下。
16386</id>
<type>DIRECTORY</type>
user</name>
1512722284477</mtime>
atguigu:supergroup:rwxr-xr-x</permission>
-1</nsquota>
-1</dsquota>
</inode>
16387</id>
<type>DIRECTORY</type>
atguigu</name>
1512790549080</mtime>
atguigu:supergroup:rwxr-xr-x</permission>
-1</nsquota>
-1</dsquota>
</inode>
16389</id>
<type>FILE</type>
wc.input</name>
3</replication>
1512722322219</mtime>
1512722321610</atime>
134217728</perferredBlockSize>
atguigu:supergroup:rw-r--r--</permission>
1073741825</id>
1001</genstamp>
59</numBytes>
</block>
</blocks>
</inode >
可以看出，Fsimage 中没有记录块所对应 DataNode
因为，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
（1）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
（2）案例实操
[atguigu@hadoop102 current]$ hdfs oev -p XML -i edits_0000000000000000012-0000000000000000013 -o /opt/module/hadoop-2.7.2/edits.xml
[atguigu@hadoop102 current]$ cat /opt/module/hadoop-2.7.2/edits.xml
将显示的 xml 文件内容拷贝到 Eclipse 中创建的 xml 文件中，并格式化。显示结果如下。
"1.0" encoding="UTF-8"?>
-63</EDITS_VERSION>
OP_START_LOG_SEGMENT</OPCODE>
<DATA>
129</TXID>
</DATA>
</RECORD>
OP_ADD</OPCODE>
<DATA>
130</TXID>
0</LENGTH>
16407</INODEID>
/hello7.txt</PATH>
2</REPLICATION>
1512943607866</MTIME>
1512943607866</ATIME>
134217728</BLOCKSIZE>
DFSClient_NONMAPREDUCE_-1544295051_1</CLIENT_NAME>
192.168.1.5</CLIENT_MACHINE>
true</OVERWRITE>
atguigu</USERNAME>
supergroup</GROUPNAME>
420</MODE>
</PERMISSION_STATUS>
908eafd4-9aec-4288-96f1-e8011d181561</RPC_CLIENTID>
0</RPC_CALLID>
</DATA>
</RECORD>
OP_ALLOCATE_BLOCK_ID</OPCODE>
<DATA>
131</TXID>
1073741839</BLOCK_ID>
</DATA>
</RECORD>
OP_SET_GENSTAMP_V2</OPCODE>
<DATA>
132</TXID>
1016</GENSTAMPV2>
</DATA>
</RECORD>
OP_ADD_BLOCK</OPCODE>
<DATA>
133</TXID>
/hello7.txt</PATH>
1073741839</BLOCK_ID>
0</NUM_BYTES>
1016</GENSTAMP>
</BLOCK>
</RPC_CLIENTID>
-2</RPC_CALLID>
</DATA>
</RECORD>
OP_CLOSE</OPCODE>
<DATA>
134</TXID>
0</LENGTH>
0</INODEID>
/hello7.txt</PATH>
2</REPLICATION>
1512943608761</MTIME>
1512943607866</ATIME>
134217728</BLOCKSIZE>
</CLIENT_NAME>
</CLIENT_MACHINE>
false</OVERWRITE>
1073741839</BLOCK_ID>
25</NUM_BYTES>
1016</GENSTAMP>
</BLOCK>
atguigu</USERNAME>
supergroup</GROUPNAME>
420</MODE>
</PERMISSION_STATUS>
</DATA>
</RECORD>
</EDITS >
CheckPoint 时间设置
（1）通常情况下，SecondaryNameNode 每隔一小时执行一次。
[hdfs-default.xml]
dfs.namenode.checkpoint.period</name>
3600</value>
</property>
（2）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。
dfs.namenode.checkpoint.txns</name>
1000000</value>
操作动作次数</description>
</property>
dfs.namenode.checkpoint.check.period</name>
60</value>
1分钟检查一次操作次数</description>
</property >
NameNode 故障处理
NameNode 故障后，可以采用如下两种方法恢复数据。
方法一：将 SecondaryNameNode 中数据拷贝到 NameNode 存储数据的目录；
- kill -9 NameNode 进程
- 删除 NameNode 存储的数据（/opt/module/hadoop-2.7.2/data/tmp/dfs/name）
[atguigu@hadoop102 hadoop-2.7.2]$ rm -rf /opt/module/hadoop-2.7.2/data/tmp/dfs/name/*
- 拷贝 SecondaryNameNode 中数据到原 NameNode 存储数据目录
[atguigu@hadoop102 dfs]$ scp -r atguigu@hadoop104:/opt/module/hadoop-2.7.2/data/tmp/dfs/namesecondary/* ./name/
- 重新启动 NameNode
[atguigu@hadoop102 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode
方法二：使用 -importCheckpoint 选项启动 NameNode 守护进程，从而将 SecondaryNameNode 中数据拷贝到 NameNode 目录中。
- 修改 hdfs-site.xml 中的
dfs.namenode.checkpoint.period</name>
120</value>
</property>
dfs.namenode.name.dir</name>
/opt/module/hadoop-2.7.2/data/tmp/dfs/name</value>
</property>
- kill -9 NameNode 进程
- 删除 NameNode 存储的数据（/opt/module/hadoop-2.7.2/data/tmp/dfs/name）
[atguigu@hadoop102 hadoop-2.7.2]$ rm -rf /opt/module/hadoop-2.7.2/data/tmp/dfs/name/*
- 如果 SecondaryNameNode 不和 NameNode 在一个主机节点上，需要将 SecondaryNameNode 存储数据的目录拷贝到 NameNode 存储数据的平级目录，并删除 in_use.lock 文件
[atguigu@hadoop102 dfs]$ scp -r atguigu@hadoop104:/opt/module/hadoop-2.7.2/data/tmp/dfs/namesecondary ./
[atguigu@hadoop102 namesecondary]$ rm -rf in_use.lock
[atguigu@hadoop102 dfs]$ pwd
/opt/module/hadoop-2.7.2/data/tmp/dfs
[atguigu@hadoop102 dfs]$ ls
data name namesecondary
- 导入检查点数据（等待一会ctrl+c结束掉）
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hdfs namenode -importCheckpoint
- 启动NameNode
[atguigu@hadoop102 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode
集群安全模式
集群处于安全模式，不能执行重要操作（写操作）。集群启动完成后，自动退出安全模式。
（1）bin/hdfs dfsadmin -safemode get （功能描述：查看安全模式状态）
（2）bin/hdfs dfsadmin -safemode enter （功能描述：进入安全模式状态）
（3）bin/hdfs dfsadmin -safemode leave （功能描述：离开安全模式状态）
（4）bin/hdfs dfsadmin -safemode wait （功能描述：等待安全模式状态）
- 模拟等待安全模式
（1）查看当前模式
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -safemode get
Safe mode is OFF
（2）先进入安全模式
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hdfs dfsadmin -safemode enter
（3）创建并执行下面的脚本
在 /opt/module/hadoop-2.7.2 路径上，编辑一个脚本 safemode.sh
[atguigu@hadoop102 hadoop-2.7.2]$ touch safemode.sh
[atguigu@hadoop102 hadoop-2.7.2]$ vim safemode.sh
#!/bin/bash
hdfs dfsadmin -safemode wait
hdfs dfs -put /opt/module/hadoop-2.7.2/README.txt /
[atguigu@hadoop102 hadoop-2.7.2]$ chmod 777 safemode.sh
[atguigu@hadoop102 hadoop-2.7.2]$ ./safemode.sh
（4）再打开一个窗口，执行
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hdfs dfsadmin -safemode leave
（5）观察
- a）再观察上一个窗口
Safe mode is OFF
- b）HDFS 集群上已经有上传的数据了。
NameNode 多目录配置
-
NameNode 的本地目录可以配置成多个，且每个目录存放内容相同，增加了可靠性
-
具体配置如下
（1）在hdfs-site.xml文件中增加如下内容
dfs.namenode.name.dir</name>
file:///${
hadoop.tmp.dir}/dfs/name1,file:///${
hadoop.tmp.dir}/dfs/name2</value>
</property>
（2）停止集群，删除 data 和 logs 中所有数据。
[atguigu@hadoop102 hadoop-2.7.2]$ rm -rf data/ logs/
[atguigu@hadoop103 hadoop-2.7.2]$ rm -rf data/ logs/
[atguigu@hadoop104 hadoop-2.7.2]$ rm -rf data/ logs/
（3）格式化集群并启动。
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hdfs namenode –format
[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
（4）查看结果
[atguigu@hadoop102 dfs]$ ll
总用量 12
drwx------. 3 atguigu atguigu 4096 12月 11 08:03 data
drwxrwxr-x. 3 atguigu atguigu 4096 12月 11 08:03 name1
drwxrwxr-x. 3 atguigu atguigu 4096 12月 11 08:03 name2
DataNode
工作机制
1）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，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。
2）DataNode 启动后向 NameNode 注册，通过后，周期性（1小时）的向NameNode上报所有的块信息。
3）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。
4）集群运行中可以安全加入和退出一些机器。
数据完整性
DataNode 节点上的数据如果损坏了，却没有发现，是很危险的，那么如何解决呢？
如下是 DataNode 节点保证数据完整性的方法：
- 1）当 DataNode 读取 Block 的时候，它会计算 CheckSum。
- 2）如果计算后的 CheckSum，与 Block 创建时值不一样，说明 Block 已经损坏。
- 3）Client 读取其他 DataNode 上的 Block。
- 4）DataNode 在其文件创建后周期验证 CheckSum
掉线时限参数设置
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。
dfs.namenode.heartbeat.recheck-interval</name>
300000</value>
</property>
dfs.heartbeat.interval</name>
3</value>
</property>
服役新数据节点
-
需求
随着公司业务的增长，数据量越来越大，原有的数据节点的容量已经不能满足存储数据的需求，需要在原有集群基础上动态添加新的数据节点。 -
环境准备
（1）在 hadoop104 主机上再克隆一台 hadoop105 主机（2）修改 IP 地址和主机名称
（3）删除原来 HDFS 文件系统留存的文件（
/opt/module/hadoop-2.7.2/data和log）（4）source一下配置文件
[atguigu@hadoop105 hadoop-2.7.2]$ source /etc/profile
- 服役新节点具体步骤
（1）直接启动 DataNode，即可关联到集群
[atguigu@hadoop105 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode
[atguigu@hadoop105 hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
（2）在 hadoop105 上上传文件
[atguigu@hadoop105 hadoop-2.7.2]$ hadoop fs -put /opt/module/hadoop-2.7.2/LICENSE.txt /
（3）如果数据不均衡，可以用命令实现集群的再平衡
[atguigu@hadoop102 sbin]$ ./start-balancer.sh
starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-atguigu-balancer-hadoop102.out
Time Stamp Iteration# Bytes Already Moved Bytes Left To Move Bytes Being Moved
退役旧数据节点
添加白名单
添加到白名单的主机节点，都允许访问 NameNode，不在白名单的主机节点，都会被退出。
配置白名单的具体步骤如下：
（1）在 NameNode 的 /opt/module/hadoop-2.7.2/etc/hadoop 目录下创建 dfs.hosts 文件
[atguigu@hadoop102 hadoop]$ pwd
/opt/module/hadoop-2.7.2/etc/hadoop
[atguigu@hadoop102 hadoop]$ touch dfs.hosts
[atguigu@hadoop102 hadoop]$ vi dfs.hosts
添加如下主机名称（不添加 hadoop105）
hadoop102
hadoop103
hadoop104
（2）在 NameNode 的 hdfs-site.xml 配置文件中增加 dfs.hosts 属性
dfs.hosts</name>
/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts</value>
</property>
（3）配置文件分发
[atguigu@hadoop102 hadoop]$ xsync hdfs-site.xml
（4）刷新 NameNode
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes
Refresh nodes successful
（5）更新 ResourceManager 节点
[atguigu@hadoop102 hadoop-2.7.2]$ yarn rmadmin -refreshNodes
17/06/24 14:17:11 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.1.103:8033
（6）在 web 浏览器上查看
- 如果数据不均衡，可以用命令实现集群的再平衡
[atguigu@hadoop102 sbin]$ ./start-balancer.sh
starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-atguigu-balancer-hadoop102.out
Time Stamp Iteration# Bytes Already Moved Bytes Left To Move Bytes Being Moved
黑名单退役
在黑名单上面的主机都会被强制退出。
- 在 NameNode 的 /opt/module/hadoop-2.7.2/etc/hadoop 目录下创建 dfs.hosts.exclude 文件
[atguigu@hadoop102 hadoop]$ pwd
/opt/module/hadoop-2.7.2/etc/hadoop
[atguigu@hadoop102 hadoop]$ touch dfs.hosts.exclude
[atguigu@hadoop102 hadoop]$ vi dfs.hosts.exclude
添加如下主机名称（要退役的节点）
hadoop105
- 在 NameNode 的 hdfs-site.xml 配置文件中增加 dfs.hosts.exclude 属性
dfs.hosts.exclude</name>
/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts.exclude</value>
</property>
- 刷新 NameNode、刷新 ResourceManager
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes
Refresh nodes successful
[atguigu@hadoop102 hadoop-2.7.2]$ yarn rmadmin -refreshNodes
17/06/24 14:55:56 INFO client.RMProxy: Connecting to ResourceManager at hadoop103/192.168.1.103:8033
- 检查 Web 浏览器，退役节点的状态为 decommission in progress（退役中），说明数据节点正在复制块到其他节点，如图
- 等待退役节点状态为 decommissioned（所有块已经复制完成），停止该节点及节点资源管理器。注意：如果副本数是3，服役的节点小于等于3，是不能退役成功的，需要修改副本数后才能退役，如图
[atguigu@hadoop105 hadoop-2.7.2]$ sbin/hadoop-daemon.sh stop datanode
stopping datanode
[atguigu@hadoop105 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
stopping nodemanager
- 如果数据不均衡，可以用命令实现集群的再平衡
[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-balancer.sh
starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-atguigu-balancer-hadoop102.out
Time Stamp Iteration# Bytes Already Moved Bytes Left To Move Bytes Being Moved
注意：
不允许白名单和黑名单中同时出现同一个主机名称。
多目录配置
-
DataNode 也可以配置成多个目录，每个目录存储的数据不一样。即：数据不是副本
-
具体配置如下
hdfs-site.xml
dfs.datanode.data.dir</name>
file:///${
hadoop.tmp.dir}/dfs/data1,file:///${
hadoop.tmp.dir}/dfs/data2</value>
</property>
HDFS 2.x新特性
集群间数据拷贝
1．scp 实现两个远程主机之间的文件复制
scp -r hello.txt root@hadoop103:/user/atguigu/hello.txt // 推 push
scp -r root@hadoop103:/user/atguigu/hello.txt hello.txt // 拉 pull
scp -r root@hadoop103:/user/atguigu/hello.txt root@hadoop104:/user/atguigu //是
通过本地主机中转实现两个远程主机的文件复制；如果在两个远程主机之间 ssh 没有配置的情况下可以使用该方式。
2．采用 distcp 命令实现两个 Hadoop 集群之间的递归数据复制
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop distcp
hdfs://haoop102:9000/user/atguigu/hello.txt hdfs://hadoop103:9000/user/atguigu/hello.txt
小文件存档
3．案例实操
（1）需要启动 YARN 进程
[atguigu@hadoop102 hadoop-2.7.2]$ start-yarn.sh
（2）归档文件
把 /user/atguigu/input 目录里面的所有文件归档成一个叫 input.har 的归档文件，并把归档后文件存储到 /user/atguigu/output 路径下。
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop archive -archiveName input.har –p /user/atguigu/input /user/atguigu/output
（3）查看归档
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -lsr /user/atguigu/output/input.har
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -lsr har:///user/atguigu/output/input.har
（4）解归档文件
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -cp har:/// user/atguigu/output/input.har/* /user/atguigu
回收站
开启回收站功能，可以将删除的文件在不超时的情况下，恢复原数据，起到防止误删除、备份等作用。
1．回收站参数设置及工作机制
2．启用回收站
修改 core-site.xml，配置垃圾回收时间为 1 分钟。
fs.trash.interval</name>
1</value>
</property>
3．查看回收站
回收站在集群中的路径：/user/atguigu/.Trash/….
4．修改访问垃圾回收站用户名称
进入垃圾回收站用户名称，默认是 dr.who，修改为 atguigu 用户
[core-site.xml]
hadoop.http.staticuser.user</name>
atguigu</value>
</property>
5．通过程序删除的文件不会经过回收站，需要调用 moveToTrash() 才进入回收站
Trash trash = New Trash(conf);
trash.moveToTrash(path);
6．恢复回收站数据
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -mv
/user/atguigu/.Trash/Current/user/atguigu/input /user/atguigu/input
7．清空回收站
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop fs -expunge
快照管理
2．案例实操
（1）开启/禁用指定目录的快照功能
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -allowSnapshot /user/atguigu/input
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfsadmin -disallowSnapshot /user/atguigu/input
（2）对目录创建快照
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfs -createSnapshot /user/atguigu/input
通过 web 访问 hdfs://hadoop102:50070/user/atguigu/input/.snapshot/s……// 快照和源文件使用相同数据
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfs -lsr /user/atguigu/input/.snapshot/
（3）指定名称创建快照
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfs -createSnapshot /user/atguigu/input miao170508
（4）重命名快照
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfs -renameSnapshot /user/atguigu/input/ miao170508 atguigu170508
（5）列出当前用户所有可快照目录
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs lsSnapshottableDir
（6）比较两个快照目录的不同之处
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs snapshotDiff
/user/atguigu/input/ . .snapshot/atguigu170508
（7）恢复快照
[atguigu@hadoop102 hadoop-2.7.2]$ hdfs dfs -cp
/user/atguigu/input/.snapshot/s20170708-134303.027 /user
HDFS HA高可用
概述
1）所谓HA（High Available），即高可用（7*24小时不中断服务）。
2）实现高可用最关键的策略是消除单点故障。HA 严格来说应该分成各个组件的 HA 机制：HDFS 的 HA 和 YARN 的 HA。
3）Hadoop2.0 之前，在 HDFS 集群中 NameNode 存在单点故障（SPOF）。
4）NameNode 主要在以下两个方面影响 HDFS 集群
- NameNode 机器发生意外，如宕机，集群将无法使用，直到管理员重启
- NameNode 机器需要升级，包括软件、硬件升级，此时集群也将无法使用
HDFS HA 功能通过配置 Active/Standby 两个 NameNodes 实现在集群中对 NameNode 的热备来解决上述问题。
如果出现故障，如机器崩溃或机器需要升级维护，这时可通过此种方式将 NameNode 很快的切换到另外一台机器。
HDFS-HA 工作机制
通过双NameNode消除单点故障
工作要点
- 元数据管理方式需要改变
- 内存中各自保存一份元数据；
- Edits 日志只有 Active 状态的 NameNode 节点可以做写操作；
- 两个 NameNode 都可以读取 Edits；
- 共享的 Edits 放在一个共享存储中管理（ qjournal 和 NFS 两个主流实现）；
-
需要一个状态管理功能模块
实现了一个 zkfailover，常驻在每一个 namenode 所在的节点，每一个 zkfailover 负责监控自己所在 NameNode 节点，利用 zk 进行状态标识，当需要进行状态切换时，由 zkfailover 来负责切换，切换时需要防止 brain split 现象的发生。
-
必须保证两个 NameNode 之间能够 ssh 无密码登录
-
隔离（Fence），即同一时刻仅仅有一个 NameNode 对外提供服务
自动故障转移工作机制
使用命令 hdfs haadmin -failover 手动进行故障转移，在该模式下，即使现役 NameNode 已经失效，系统也不会自动从现役 NameNode 转移到待机 NameNode
自动故障转移为 HDFS 部署增加了两个新组件：ZooKeeper 和 ZKFailoverController（ZKFC）进程。
ZooKeeper 是维护少量协调数据，通知客户端这些数据的改变和监视客户端故障的高可用服务。
HA 的自动故障转移依赖于 ZooKeeper 的以下功能：
1）故障检测：
集群中的每个 NameNode 在 ZooKeeper 中维护了一个持久会话，如果机器崩溃，ZooKeeper 中的会话将终止，ZooKeeper 通知另一个 NameNode 需要触发故障转移。
2）现役 NameNode 选择：
ZooKeeper 提供了一个简单的机制用于唯一的选择一个节点为 active 状态。如果目前现役 NameNode 崩溃，另一个节点可能从 ZooKeeper 获得特殊的排外锁以表明它应该成为现役 NameNode。
ZKFC 是自动故障转移中的另一个新组件，是 ZooKeeper 的客户端，也监视和管理 NameNode 的状态。每个运行 NameNode 的主机也运行了一个 ZKFC 进程，ZKFC负责：
1）健康监测：
ZKFC 使用一个健康检查命令定期地 ping 与之在相同主机的 NameNode，只要该 NameNode 及时地回复健康状态，ZKFC 认为该节点是健康的。如果该节点崩溃，冻结或进入不健康状态，健康监测器标识该节点为非健康的。
2）ZooKeeper 会话管理：
当本地 NameNode 是健康的，ZKFC 保持一个在 ZooKeeper 中打开的会话。如果本地 NameNode 处于 active 状态，ZKFC 也保持一个特殊的 znode 锁，该锁使用了 ZooKeeper 对短暂节点的支持，如果会话终止，锁节点将自动删除。
3）基于 ZooKeeper 的选择：
如果本地 NameNode 是健康的，且 ZKFC 发现没有其它的节点当前持有 znode 锁，它将为自己获取该锁。如果成功，则它已经赢得了选择，并负责运行故障转移进程以使它的本地 NameNode 为 Active。故障转移进程与前面描述的手动故障转移相似，首先如果必要保护之前的现役 NameNode，然后本地 NameNode 转换为 Active 状态。
HDFS-HA 集群配置
环境准备
- 修改IP
- 修改主机名及主机名和IP地址的映射
- 关闭防火墙
- ssh免密登录
- 安装JDK，配置环境变量等
规划集群
| hadoop102 | hadoop103 | hadoop104 |
|---|---|---|
| NameNode | NameNode | |
| JournalNode | JournalNode | JournalNode |
| DataNode | DataNode | DataNode |
| ZK | ZK | ZK |
| ResourceManager | ||
| NodeManager | NodeManager | NodeManager |
配置Zookeeper集群
-
集群规划
在 hadoop102、hadoop103 和 hadoop104 三个节点上部署 Zookeeper。 -
解压安装
（1）解压 Zookeeper 安装包到 /opt/module/ 目录下
[atguigu@hadoop102 software]$ tar -zxvf zookeeper-3.4.10.tar.gz -C /opt/module/
（2）在 /opt/module/zookeeper-3.4.10/ 这个目录下创建 zkData
mkdir -p zkData
（3）重命名 /opt/module/zookeeper-3.4.10/conf 这个目录下的 zoo_sample.cfg 为 zoo.cfg
mv zoo_sample.cfg zoo.cfg
- 配置 zoo.cfg 文件
（1）具体配置
dataDir=/opt/module/zookeeper-3.4.10/zkData
增加如下配置
#######################cluster##########################
server.2=hadoop102:2888:3888
server.3=hadoop103:2888:3888
server.4=hadoop104:2888:3888
（2）配置参数解读
Server.A=B:C:D
A 是一个数字，表示这个是第几号服务器；
B 是这个服务器的IP地址；
C 是这个服务器与集群中的Leader服务器交换信息的端口；
D 是万一集群中的Leader服务器挂了，需要一个端口来重新进行选举，选出一个新的Leader，而这个端口就是用来执行选举时服务器相互通信的端口。
集群模式下配置一个文件 myid，这个文件在 dataDir 目录下，这个文件里面有一个数据就是 A 的值，Zookeeper 启动时读取此文件，拿到里面的数据与 zoo.cfg 里面的配置信息比较从而判断到底是哪个 server。
- 集群操作
（1）在 /opt/module/zookeeper-3.4.10/zkData 目录下创建一个 myid 的文件
touch myid
添加 myid 文件，注意一定要在 linux 里面创建，在 notepad++ 里面很可能乱码
（2）编辑myid文件
vi myid
在文件中添加与 server 对应的编号：如 2
（3）拷贝配置好的 zookeeper 到其他机器上
scp -r zookeeper-3.4.10/ root@hadoop103.atguigu.com:/opt/app/
scp -r zookeeper-3.4.10/ root@hadoop104.atguigu.com:/opt/app/
并分别修改 myid 文件中内容为3、4
（4）分别启动 zookeeper
[root@hadoop102 zookeeper-3.4.10]# bin/zkServer.sh start
[root@hadoop103 zookeeper-3.4.10]# bin/zkServer.sh start
[root@hadoop104 zookeeper-3.4.10]# bin/zkServer.sh start
（5）查看状态
[root@hadoop102 zookeeper-3.4.10]# bin/zkServer.sh status
JMX enabled by default
Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg
Mode: follower
[root@hadoop103 zookeeper-3.4.10]# bin/zkServer.sh status
JMX enabled by default
Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg
Mode: leader
[root@hadoop104 zookeeper-3.4.5]# bin/zkServer.sh status
JMX enabled by default
Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg
Mode: follower
配置HDFS-HA集群
-
官方地址：http://hadoop.apache.org/
-
在 opt 目录下创建一个 ha 文件夹
mkdir ha
- 将 /opt/app/ 下的 hadoop-2.7.2 拷贝到 /opt/ha 目录下
cp -r hadoop-2.7.2/ /opt/ha/
- 配置 hadoop-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144
- 配置 core-site.xml
<!-- 把两个NameNode）的地址组装成一个集群mycluster -->
fs.defaultFS</name>
hdfs://mycluster</value>
</property>
<!-- 指定hadoop运行时产生文件的存储目录 -->
hadoop.tmp.dir</name>
/opt/ha/hadoop-2.7.2/data/tmp</value>
</property>
</configuration>
- 配置 hdfs-site.xml
<!-- 完全分布式集群名称 -->
dfs.nameservices</name>
mycluster</value>
</property>
<!-- 集群中NameNode节点都有哪些 -->
dfs.ha.namenodes.mycluster</name>
nn1,nn2</value>
</property>
<!-- nn1的RPC通信地址 -->
dfs.namenode.rpc-address.mycluster.nn1</name>
hadoop102:9000</value>
</property>
<!-- nn2的RPC通信地址 -->
dfs.namenode.rpc-address.mycluster.nn2</name>
hadoop103:9000</value>
</property>
<!-- nn1的http通信地址 -->
dfs.namenode.http-address.mycluster.nn1</name>
hadoop102:50070</value>
</property>
<!-- nn2的http通信地址 -->
dfs.namenode.http-address.mycluster.nn2</name>
hadoop103:50070</value>
</property>
<!-- 指定NameNode元数据在JournalNode上的存放位置 -->
dfs.namenode.shared.edits.dir</name>
qjournal://hadoop102:8485;hadoop103:8485;hadoop104:8485/mycluster</value>
</property>
<!-- 配置隔离机制，即同一时刻只能有一台服务器对外响应 -->
dfs.ha.fencing.methods</name>
sshfence</value>
</property>
<!-- 使用隔离机制时需要ssh无秘钥登录-->
dfs.ha.fencing.ssh.private-key-files</name>
/home/atguigu/.ssh/id_rsa</value>
</property>
<!-- 声明journalnode服务器存储目录-->
dfs.journalnode.edits.dir</name>
/opt/ha/hadoop-2.7.2/data/jn</value>
</property>
<!-- 关闭权限检查-->
dfs.permissions.enable</name>
false</value>
</property>
<!-- 访问代理类：client，mycluster，active配置失败自动切换实现方式-->
dfs.client.failover.proxy.provider.mycluster</name>
org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
</property>
</configuration>
- 拷贝配置好的 hadoop 环境到其他节点
启动HDFS-HA集群
- 在各个 JournalNode 节点上，输入以下命令启动 journalnode 服务
sbin/hadoop-daemon.sh start journalnode
- 在 [nn1] 上，对其进行格式化，并启动
bin/hdfs namenode -format
sbin/hadoop-daemon.sh start namenode
- 在 [nn2] 上，同步 nn1 的元数据信息
bin/hdfs namenode -bootstrapStandby
- 启动 [nn2]
sbin/hadoop-daemon.sh start namenode
- 查看 web 页面显示，如图
- 在 [nn1] 上，启动所有 datanode
sbin/hadoop-daemons.sh start datanode
- 将 [nn1] 切换为 Active
bin/hdfs haadmin -transitionToActive nn1
- 查看是否 Active
bin/hdfs haadmin -getServiceState nn1
配置 HDFS-HA 自动故障转移
- 具体配置
（1）在 hdfs-site.xml 中增加
dfs.ha.automatic-failover.enabled</name>
true</value>
</property>
（2）在core-site.xml文件中增加
ha.zookeeper.quorum</name>
hadoop102:2181,hadoop103:2181,hadoop104:2181</value>
</property>
- 启动
（1）关闭所有 HDFS 服务：
sbin/stop-dfs.sh
（2）启动 Zookeeper 集群：
bin/zkServer.sh start
（3）初始化 HA 在 Zookeeper 中状态：
bin/hdfs zkfc -formatZK
（4）启动 HDFS 服务：
sbin/start-dfs.sh
（5）在各个 NameNode 节点上启动 DFSZK Failover Controller，先在哪台机器启动，哪个机器的 NameNode 就是 Active NameNode
sbin/hadoop-daemin.sh start zkfc
- 验证
（1）将 Active NameNode 进程 kill
kill -9 namenode的进程id
（2）将 Active NameNode 机器断开网络
service network stop
YARN-HA 配置
工作机制
官方文档
配置集群
-
环境准备
（1）修改 IP
（2）修改主机名及主机名和 IP 地址的映射
（3）关闭防火墙
（4）ssh 免密登录
（5）安装 JDK，配置环境变量等
（6）配置 Zookeeper 集群 -
规划集群
| hadoop102 | hadoop103 | hadoop104 |
|---|---|---|
| NameNode | NameNode | |
| JournalNode | JournalNode | JournalNode |
| DataNode | DataNode | DataNode |
| ZK | ZK | ZK |
| ResourceManager | ResourceManager | |
| NodeManager | NodeManager | NodeManager |
- 具体配置
（1）yarn-site.xml
yarn.nodemanager.aux-services</name>
mapreduce_shuffle</value>
</property>
<!--启用resourcemanager ha-->
yarn.resourcemanager.ha.enabled</name>
true</value>
</property>
<!--声明两台resourcemanager的地址-->
yarn.resourcemanager.cluster-id</name>
cluster-yarn1</value>
</property>
yarn.resourcemanager.ha.rm-ids</name>
rm1,rm2</value>
</property>
yarn.resourcemanager.hostname.rm1</name>
hadoop102</value>
</property>
yarn.resourcemanager.hostname.rm2</name>
hadoop103</value>
</property>
<!--指定zookeeper集群的地址-->
yarn.resourcemanager.zk-address</name>
hadoop102:2181,hadoop103:2181,hadoop104:2181</value>
</property>
<!--启用自动恢复-->
yarn.resourcemanager.recovery.enabled</name>
true</value>
</property>
<!--指定resourcemanager的状态信息存储在zookeeper集群-->
yarn.resourcemanager.store.class</name> org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value>
</property>
</configuration>
（2）同步更新其他节点的配置信息
- 启动 hdfs
（1）在各个 JournalNode 节点上，输入以下命令启动 journalnode 服务：
sbin/hadoop-daemon.sh start journalnode
（2）在 [nn1] 上，对其进行格式化，并启动：
bin/hdfs namenode -format
sbin/hadoop-daemon.sh start namenode
（3）在 [nn2] 上，同步 nn1 的元数据信息：
bin/hdfs namenode -bootstrapStandby
（4）启动 [nn2]：
sbin/hadoop-daemon.sh start namenode
（5）启动所有 DataNode
sbin/hadoop-daemons.sh start datanode
（6）将 [nn1] 切换为 Active
bin/hdfs haadmin -transitionToActive nn1
- 启动 YARN
（1）在 hadoop102 中执行：
sbin/start-yarn.sh
（2）在 hadoop103 中执行：
sbin/yarn-daemon.sh start resourcemanager
（3）查看服务状态，如图
bin/yarn rmadmin -getServiceState rm1
HDFS Federation 架构设计
- NameNode 架构的局限性
（1）Namespace（命名空间）的限制
由于NameNode在内存中存储所有的元数据（metadata），因此单个 NameNode 所能存储的对象（文件+块）数目受到 NameNode 所在 JVM 的 heap size 的限制。
50G 的 heap 能够存储 20 亿（200 million）个对象，这 20 亿个对象支持 4000 个 DataNode，12PB 的存储（假设文件平均大小为 40MB）。
随着数据的飞速增长，存储的需求也随之增长。单个 DataNode 从 4T 增长到 36T，集群的尺寸增长到 8000 个 DataNode。存储的需求从12PB 增长到大于 100PB。
（2）隔离问题
由于 HDFS 仅有一个 NameNode，无法隔离各个程序，因此 HDFS 上的一个实验程序就很有可能影响整个 HDFS 上运行的程序。
（3）性能的瓶颈
由于是单个 NameNode 的 HDFS 架构，因此 整个 HDFS 文件系统的吞吐量受限于单个 NameNode 的吞吐量。
- HDFS Federation 架构设计，如图
能不能有多个 NameNode ?
| NameNode | NameNode | NameNode |
|---|---|---|
| 元数据 | 元数据 | 元数据 |
| Log | machine | 电商数据/话单数据 |
- HDFS Federation 应用思考
不同应用可以使用不同 NameNode 进行数据管理
图片业务、爬虫业务、日志审计业务
Hadoop 生态系统中，不同的框架使用不同的 NameNode 进行管理 NameSpace。（隔离性）