2021-12-30大数据学习日志——Hadoop离线阶段——HDFS

学习目标

理解分布式文件存储的概念与实现
掌握HDFS分块存储、副本机制等特性
学会shell操作HDFS
掌握HDFS读写流程
理解NameNode元数据管理机制
理解SecondaryNameNode checkpoint机制

内容大纲

#HDFS入门
	HDFS介绍
	如何模拟实现分布式文件存储系统？ 具备哪些特性。
		分布式、分块存储、副本机制、元数据管理
	HDFS设计目标和重要特性
#HDFS操作
	shell command
#HDFS原理（重中之重）
	工作机制--读写流程  角色之间如何配合的 每个角色承担了什么职责
	NN DN角色职责概述总结
#HDFS辅助功能
	distcp 跨集群复制数据 
	Archive 归档文件  处理小文件
#HDFS元数据管理机制
	namenode如何管理元数据
	secondarynamenode职责
		checkpoint机制
#HDFS安全模式
#理清两个东西  数据data 元数据metadata
元数据：data about data关于数据的数据  描述性的数据

01_传统文件系统及其面临的挑战

   大数据场景下，传统文件系统如何才能支撑海量数据存储？

02_分布式文件存储系统核心特性与作用

场景互动：如何模拟实现分布式文件系统。

或者说一个成熟的分布式文件系统应该要具备哪些属性、功能呢？

• 分布式存储
• 元数据记录
• 分块存储
• 副本机制

03_Hadoop HDFS 简介

• 首先是一个文件系统，就是用来存储文件、存储数据。是大数据最底层一个服务。

• 其次是一个分布式的文件系统。分布式意味着多台机器存储。

• 

04_Hadoop HDFS 起源发展和设计目标

• 具备故障检测和快速恢复的能力（容错）
• 面对海量数据的存储，注重吞吐能力，而不是交互式。（延迟高）
• 支持大文件存储（越大越开心）
• 一次写入多次读取模型 （不支持修改操作）
• 异构存储、可移植性

05_Hadoop HDFS 核心重要特性解读

（1）master|slaves 主从架构

   主角色：namenode 管理维护着元数据：目录树结构 文件 大小 副本 备份 位置信息
   从角色：datanode 存储着最终的数据块

（2）分块存储

   物理上把文件分开了。
   block size =128M 134217728 hadoop2.x (hadoop1.x 64M)
   e.g:
   1.txt 300M
   blk-1 0–128
   blk-2 128-256
   blk-3 256-300

   2.txt 100M
   blk-4 0–100

（3）副本机制

   默认是3副本。
   1+2=3 本身一份 额外两份 最终3副本。

   namespace 名字空间 命名空间
   namespace即“命名空间”，也称“名称空间”
   层次感结构 兼顾传统对应文件系统的认知 目录树结构
   用户可以针对目录树进行文件夹、文件的增删改查。
   统一的抽象目录树。

（4）metadata 元数据

   元数据：记录数据的数据 描述性数据、解释性数据
   对于HDFS来说，目录结构及文件分块位置信息叫做元数据。
   元数据是有namenode维护的。

（5）write one read many

   hdfs的模式是一次写入多次读取
   hdfs没有随机修改编辑的操作 只能对已有的数据进行追加。
   设计目标是这么决定的。

   侧重于数据吞吐量 不注重实时交互性 意味着hdfs操作延迟很高。

---

06_Hadoop HDFS shell 操作 命令行功能及使用说明

hadoop  fs <args>  文件系统的路径

#hadoop  fs可以操作的文件系统不仅仅有HDFS,还包括本地文件系统、GFS、TFS。
#如何区分操作访问的是什么文件系统呢？  根据文件系统协议

hadoop fs -ls hdfs://node1:8020/

hadoop fs -ls file:///
hadoop fs -ls gfs://

#如果不写协议 直接/目录 操作访问的是谁？
[root@node1 ~]# hadoop fs -ls /
Found 4 items
drwxr-xr-x   - root supergroup          0 2021-05-23 16:49 /itcast
drwx------   - root supergroup          0 2021-05-23 16:12 /tmp
drwxr-xr-x   - root supergroup          0 2021-05-23 16:12 /user
drwxr-xr-x   - root supergroup          0 2021-05-23 16:16 /wc

#默认是谁，取决于参数fs.defaultFS
<property>
        <name>fs.defaultFS</name>
        <value>hdfs://node1:8020</value>
</property>

#如果fs.defaultFS没有配置  默认的是file:///

#新旧命令  推荐使用hadoop fs
hadoop fs <args> = hdfs dfs <args>

07_Hadoop HDFS shell 操作 常见命令操作

# 查看指定目录下信息
hadoop fs -ls [-h] [-R] <args>
	-h 人性化显示
	-R 递归显示

#创建文件夹
hadoop fs -mkdir [-p] <paths>
	-p 创建父目录
	
#上传文件
hadoop fs -put src  dst
将单个 src 或多个 srcs 从本地文件系统复制到目标文件系统
	#src代表的是本地目录 所谓的本地指的是客户端所在的机器 
	#dst代表的是HDFS
	-p：保留访问和修改时间，所有权和权限。
	-f：覆盖目的地（如果已经存在）
	
hadoop fs -put file:///root/itcast.txt hdfs://node1:8020/itcast	

hadoop fs -put itcast.txt /itcast

#下载文件
hadoop fs -get  src  localdst
	#将文件复制到本地文件系统。
hadoop fs -get hdfs://node1:8020/itcast/itcast.txt file:///root/
hadoop fs -get /itcast/itcast.txt ./

#追加内容到文件尾部 appendToFile
[root@node3 ~]# echo 1 >> 1.txt
[root@node3 ~]# echo 2 >> 2.txt 
[root@node3 ~]# echo 3 >> 3.txt 
[root@node3 ~]# hadoop fs -put 1.txt /
[root@node3 ~]# hadoop fs -cat /1.txt
1
[root@node3 ~]# hadoop fs -appendToFile 2.txt 3.txt /1.txt
[root@node3 ~]# hadoop fs -cat /1.txt
1
2
3
[root@node3 ~]# 

#追加的用途：把本地的小文件上传中合并成为大文件 解决小文件场景的。

#文件内容的查看
cat 适合小文件
tail 将文件的最后一千字节内容显示到stdout  -f参数支持实时追踪查看

#权限 拥有者 所属组修改

	hdfs在设计的时候 借鉴模仿着linux权限管理模式
	也有所谓的读写执行 user group others  777
chgrp  修改所属组
chmod  修改权限
cgown  修改拥有者

hadoop fs -chmod 755 /1.txt

#文件移动 复制 删除
mv cp 
rm -r递归删除 

#合并下载 getmerge
合并下载多个文件  其功能和appendToFile相反的动作
[root@node3 ~]# hadoop fs -mkdir /small
[root@node3 ~]# hadoop fs -put *.txt /small
[root@node3 ~]# hadoop fs -getmerge /small/* ./merge.txt
[root@node3 ~]# cat merge.txt 

#统计HDFS可用空间  指定目录大小
[root@node3 ~]# hadoop fs -df -h /
Filesystem            Size   Used  Available  Use%
hdfs://node1:8020  111.1 G  5.0 M     98.3 G    0%

#修改文件的副本数
hadoop fs -setrep -w N -R   N就是修改之后的副本数
-w wait等待 修改副本客户端是否等待修改完毕再推出

[root@node3 ~]# hadoop fs -setrep 2 /small/1.txt
Replication 2 set: /small/1.txt

[root@node3 ~]# hadoop fs -setrep -w 2 /small/2.txt
Replication 2 set: /small/2.txt
Waiting for /small/2.txt ...
WARNING: the waiting time may be long for DECREASING the number of replications.
. done

#企业中避免使用setrep修改文件的副本数。
副本的修改操作可能会影响hdfs正常的读写服务请求。
因此在实际工作中 事先根据数据的重要性在上传之前就决定该文件的备份数是多少 避免线上修改。

08_Hadoop HDFS 工作机制 角色与角色职责

• namenode 管理元数据 维护namespace
• datanode 管理数据

09_Hadoop HDFS 工作机制 上传文件流程（写文件流程）

上传文件流程：
（1）客户端RPC请求NN上传文件、NN校验通过，返回可以上传
（2）客户端请求NN上传第一个block（连带副本），NN根据3副本策略返回3台DN位置
（3） 客户端跟返回的DN列表建立pipeline管道(client–>DN1–>DN4–>DN666)
（4）客户端以packet(64k)往pipeline中发送数据
（5）pipeline传输的反方向上进行ack校验
（6）如果本次上传的文件还有其他的block，重复2-5
（7）上传完毕，client向NN汇报上传情况，只要每个block有一个副本成功，就算成功

10_Hadoop HDFS 工作机制 下载文件流程（读文件流程）

下载文件流程：
（1）客户端RPC请求NN下载文件、NN校验通过，视情况分批返回块的位置信息
（2）返回的副本位置信息是排序好的，离客户端近的靠前(所谓的近是网络拓扑中的远近 不是空间上的)
（3）客户端连接到第一个block读取数据，在块读取完毕连结到第二个block
（4）如果还有剩余批次，继续请求NN返回块位置信息
（5）把所有数据块读取到本地 按顺序拼接成为文件的最终样子 CRC循环冗余码校验

11_Hadoop HDFS 工作机制 NN和DN之间的通信机制

11.1 DN启动时

   datanode向nameNode进行注册 并行汇报自己持有数据块信息
   注册表示自己启动成功 汇报是告诉namenode自己保存了哪些数据块

11.2 DN后续工作时

（1） 心跳机制
   datanode每隔3S向namenode进行心跳 目的:报活 dfs.heartbeat.interval

（2）数据块汇报机制 blockreport
   datanode每隔6小时向nameNode进行数据块汇报自己数据块信息
   dfs.blockreport.intervalMsec

12_Hadoop HDFS 辅助工具（distcp、archive）

12.1 跨集群复制数据 distcp（distributed copy）

• 功能：实现在不同的hadoop集群之间进行数据复制同步。

• 用法：

  #同一个集群内 复制操作
  hadoop fs -cp /zookeeper.out /itcast
  #跨集群复制操作
  hadoop distcp hdfs://node1:8020/1.txt  hdfs:node5:8020/itcast
  

12.2 文件归档工具 archive

• 背景

  hdfs的架构设计不适合小文件存储的。
  因为小文件不管多小 都需要一定的元数据记录它 元数据保存在内存中的，
  如果集群小文件过多 就会造成内存被撑爆。 俗称 小文件吃内存。
  

• archive功能

  • 将一批小文件归档一个档案文件。
  • 底层是通过MapReduce程序将小文件进行合并的。启动yarn集群执行mr程序
  • 企业中可以根据时间 定时进行归档，比如一周创建一个档案。
    

• 使用

  #创建档案
  hadoop archive -archiveName test.har -p /small /outputdir
  
  基于自己的需求 删除小文件 减少对内存的消耗
  hadoop fs -rm /small/*
  
  #查看档案文件 --归档之后的样子
  [root@node1 ~]# hadoop fs -ls hdfs://node1:8020/outputdir/test.har
  Found 4 items
  hdfs://node1:8020/outputdir/test.har/_SUCCESS
  hdfs://node1:8020/outputdir/test.har/_index
  hdfs://node1:8020/outputdir/test.har/_masterindex
  hdfs://node1:8020/outputdir/test.har/part-0
  
  #查看档案文件 --归档之前的样子
  [root@node1 ~]# hadoop fs -ls har://hdfs-node1:8020/outputdir/test.har
  Found 3 items
   har://hdfs-node1:8020/outputdir/test.har/1.txt
   har://hdfs-node1:8020/outputdir/test.har/2.txt
   har://hdfs-node1:8020/outputdir/test.har/3.txt
  
  #从档案文件中提取文件
  [root@node1 ~]# hadoop fs -cp har://hdfs-node1:8020/outputdir/test.har/* /small/
  [root@node1 ~]# hadoop fs -ls /small
  Found 3 items
  -rw-r--r--   3 root supergroup          2 2021-05-24 17:58 /small/1.txt
  -rw-r--r--   3 root supergroup          2 2021-05-24 17:58 /small/2.txt
  -rw-r--r--   3 root supergroup          2 2021-05-24 17:58 /small/3.txt
  

• 注意

  • archive没有压缩的功能 就是简单的合二为一的操作 减少小文件个数

13_Hadoop HDFS namenode 安全模式

• 安全模式（safe mode）是HDFS集群处于一种保护状态，文件系统只可以读，不可以写

• 安全模式如何进入离开的？

  • 自动进入离开

    #在HDFS集群刚启动时候 会自动进入 为了演示方便  使用单个进程逐个启动方式
    
    #step1：启动namenode
    hadoop-daemon.sh start namenode
    
    #step2: 执行事务性操作 报错
    [root@node1 ~]# hadoop fs -mkdir /aaaa
    mkdir: Cannot create directory /aaaa. Name node is in safe mode.
    
    Safe mode is ON. The reported blocks 0 needs additional 52 blocks to reach the threshold 0.9990 of total blocks 52. The number of live datanodes 0 has reached the minimum number 0. Safe mode will be turned off automatically once the thresholds have been reached.
    
    #1、条件1:已经汇报的block达到总数据块的 0.999
    #2、条件2:存活的dn数量大于等于0  说明这个条件不严格
    
    #step3:依次手动启动datanode
    hadoop-daemon.sh start datanode
    
    Safe mode is ON. The reported blocks 52 has reached the threshold 0.9990 of total blocks 52. The number of live datanodes 2 has reached the minimum number 0. In safe mode extension. Safe mode will be turned off automatically in 25 seconds.
    #3、条件3:满足12条件的情况下 持续30s 结束自动离开安全模式
    
    Safemode is off.
        
    #为什么集群刚启动的时候 要进入安全模式 
    文件系统元数据不完整 无法对外提供可高的文件服务  属于内部的元数据汇报、校验、构建的过程。
    
    

  • 手动进入离开

    hdfs dfsadmin -safemode enter
    hdfs dfsadmin -safemode leave
    
    Safe mode is ON. It was turned on manually. Use "hdfs dfsadmin -safemode leave" to turn safe mode off.
    
    #运维人员可以手动进入安全模式 进行集群的维护升级等动作 避免了群起群停浪费时间。
    

• 安全模式的注意事项

  • 刚启动完hdfs集群之后 等安全模式介绍才可以正常使用文件系统 文件系统服务才是正常可用。
  • 后续如果某些软件依赖HDFS工作，必须先启动HDFS且等安全模式结束才可以使用你的软件。
  • 启动–>启动成功–>可用（安全模式结束）

---

14_Hadoop HDFS namenode元数据管理机制 整体概述

（1）元数据

   元数据（Metadata），又称中介数据、中继数据，为描述数据的数据（data about data），主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。

   记录数据的数据 描述数据的数据

（2）hdfs中元数据

   文件系统的元数据（namespace、块的位置）
   datanodes状态信息（健康、磁盘使用率）

（3）hdfs文件系统元数据存储位置

   内存中元数据
   磁盘上元数据文件（fsimage edits log）

15_Hadoop HDFS namenode元数据相关目录文件

• 回想首次启动HDFS集群的时候 进行format操作

  • 本质就是初始化操作 初始化namenode工作目录和元数据文件。

  • 元数据存储的目录由参数dfs.namenode.name.dir决定 在NN部署机器的本地linux文件系统中

16_Hadoop HDFS SNN概述和checkpoint

- secondarynamenode要想成为namenode的备份 需要具备两个东西

• 数据状态要和namenode保持一致。

• 承担和namenode一样的职责

• secondarynamenode根本不是namenode的备份，其主要职责帮助nameNode进行元数据的合并。

• checkpoint
  

17_Hadoop HDFS 元数据文件恢复方式

• NameNode存储多目录
• 从SecondaryNameNode部分恢复