Hadoop HDFS操作指南

1 HDFS 组成架构

image-20220703192933033.png
  1. NameNode(NN)
    • 管理HDFS的名称空间
    • 配置副本策略
    • 管理数据块(Block)映射信息
    • 处理客户端读写请求
  2. DataNode(DN)
    • 存储实际的数据块
    • 执行数据块的读写操作
  3. Client(客户端)
    • 文件切分,文件上传HDFS时,Client将文件切分成一个个Block,然后进行上传
    • 与NameNode交互,获取文件的位置信息
    • 与DataNode交互,读取或者写入数据
    • Client提供一些命令管理HDFS,比如NameNode格式化
    • Client可以通过一些命令访问HDFS,比如对HDFS增删改查操作
  4. Secondary NameNode(2NN)
    • 辅助NameNode,分担工作量,定期合并Fsimage 和 Edits 文件,并推送给NameNode
    • 紧急情况下,可以辅助恢复 NameNode

2 HDFS 文件块大小

HDFS中的文件在物理上时分块存储(Block),块的大小可通过参数(dfs.blocksize)配置,默认Hadoop3.x版本中为128MB。

  1. 计算由来:

    • 如果寻址时间为10ms,即查找到目标block的时间为10ms。
    • 寻址时间为传输时间的1%时,为最佳状态。因此,传输时间约为 10ms/0.01 = 1000ms = 1s
    • 目前磁盘的传输速率为100MB/s
    • 所以,Block的大小 = 1s * 100MB/s = 100MB 约等于 128MB
  2. 块不能太大也不能太小的原因

    • HDFS块设置太小,会增加寻址时间,程序的运行耽误在寻找块开始位置
    • HDFS块设置太大,从磁盘传输数据的时间会明显大于定位块开始位置所需时间,导致程序处理块数据时,非常慢
  3. 结论

HDFS块的大小设置主要取决于磁盘传输速率。

3 HDFS Shell操作

hadoop fs 具体命令 
or
hdfs dfs 具体命令
Usage: hadoop fs [generic options]
    # 追加一个文件到已经存在的文件末尾
    [-appendToFile  ... ] 
    # 显示文件内容
    [-cat [-ignoreCrc]  ...]
    [-checksum  ...]
    # Linux文件系统中的用法一样,修改文件所属权限
    [-chgrp [-R] GROUP PATH...]
    [-chmod [-R]  PATH...]
    [-chown [-R] [OWNER][:[GROUP]] PATH...]
    # 从本地文件系统中拷贝文件到HDFS路径去
    [-copyFromLocal [-f] [-p] [-l] [-d] [-t ]  ... ]
    # 从HDFS拷贝到本地
    [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc]  ... ]
    [-count [-q] [-h] [-v] [-t []] [-u] [-x] [-e]  ...]
    # 从HDFS的一个路径拷贝到HDFS的另一个路径
    [-cp [-f] [-p | -p[topax]] [-d]  ... ]
    [-createSnapshot  []]
    [-deleteSnapshot  ]
    [-df [-h] [ ...]]
    # 统计文件夹的大小信息
    [-du [-s] [-h] [-v] [-x]  ...]
    [-expunge [-immediate]]
    [-find  ...  ...]
    # 等同于copyToLocal,生产环境更习惯用get
    [-get [-f] [-p] [-ignoreCrc] [-crc]  ... ]
    [-getfacl [-R] ]
    [-getfattr [-R] {-n name | -d} [-e en] ]
    [-getmerge [-nl] [-skip-empty-file]  ]
    [-head ]
    [-help [cmd ...]]
    # 显示目录信息
    [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [-e] [ ...]]
    # 创建路径
    [-mkdir [-p]  ...]
    # 从本地剪切粘贴到HDFS
    [-moveFromLocal  ... ]
    [-moveToLocal  ]
    # 在HDFS目录中移动文件
    [-mv  ... ]
    # 等同于copyFromLocal,生产环境更习惯用put
    [-put [-f] [-p] [-l] [-d]  ... ]
    [-renameSnapshot   ]
    # 删除文件或文件夹
    [-rm [-f] [-r|-R] [-skipTrash] [-safely]  ...]
    [-rmdir [--ignore-fail-on-non-empty]  ...]
    [-setfacl [-R] [{-b|-k} {-m|-x } ]|[--set  ]]
    [-setfattr {-n name [-v value] | -x name} ]
    # 设置HDFS中文件的副本数量
    [-setrep [-R] [-w]   ...]
    [-stat [format]  ...]
    # 显示一个文件的末尾1kb的数据
    [-tail [-f] [-s ] ]
    [-test -[defsz] ]
    [-text [-ignoreCrc]  ...]
    [-touch [-a] [-m] [-t TIMESTAMP ] [-c]  ...]
    [-touchz  ...]
    [-truncate [-w]   ...]
    [-usage [cmd ...]]

4 HDFS API 操作

  1. Pom.xml

  
    org.apache.hadoop
    hadoop-client
    3.1.4
  
  
    junit
    junit
    4.12
  
  
    org.slf4j
    slf4j-log4j12
    1.7.30
  

  1. log4j.properties
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
  1. 测试类
public class TestHDFS {
    public static void main(String[] args) throws URISyntaxException, IOException, InterruptedException {
        FileSystem fs = FileSystem.get(new URI("hdfs://47.93.223.3:9000"), new Configuration(), "root");
        fs.mkdirs(new Path("/user/admin"));
        fs.close();
    }
}

5 HDFS 的流程机制

5.1 HDFS 的写流程

image-20220703200858222.png
  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)。

5.2 HDFS 的读流程

image-20220703201251342.png
  1. 客户端通过DistributedFileSystem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。

5.3 NN 与 2NN 工作机制

image-20220703201430609.png

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在内存中对元数据进行增删改。

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。

5.4 DataNode 工作机制

image-20220703201748220.png
  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(6小时)的向NameNode上报所有的块信息。

  • DN向NN汇报当前解读信息的时间间隔,默认6小时;

    dfs.blockreport.intervalMsec
    21600000
    Determines block reporting interval in milliseconds.

  • DN扫描自己节点块信息列表的时间,默认6小时

  dfs.datanode.directoryscan.interval
  21600s
  Interval in seconds for Datanode to scan data directories and reconcile the difference between blocks in memory and on the disk.
  Support multiple time unit suffix(case insensitive), as described in dfs.heartbeat.interval.
  

  1. 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。

  2. 集群运行中可以安全加入和退出一些机器。

5.5 掉线时限参数设置

image-20220703202212583.png

你可能感兴趣的:(Hadoop HDFS操作指南)