Hadoop学习指南：探索大数据时代的重要组成——HDFS(上)

HDFS概述

1.1 HDFS 产出背景及定义

1）HDFS产生背景

随着数据量越来越大，在一个操作系统存不下所有的数据，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。

2）HDFS定义

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的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭
之后就不需要改变。

1.2 HDFS 优缺点

HDFS优点
1）高容错性

2）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，数量相当之大。
3）可构建在廉价机器上，通过多副本机制，提高可靠性。
HDFS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。
➢ 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；
3）不支持并发写入、文件随机修改。
➢ 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
➢ 一个文件只能有一个写，不允许多个线程同时写；
➢ 仅支持数据append（追加），不支持文件的随机修改。

1.3 HDFS 组成架构

1）NameNode（nn）：就是Master，它
是一个主管、管理者。
（1）管理HDFS的名称空间；
（2）配置副本策略；
（3）管理数据块（Block）映射信息；
（4）处理客户端读写请求。
2）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
3）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，然后进行上传；
（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NameNode格式化；
（5）Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；
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，比如定期合并Fsimage和Edits，并推送给NameNode；
（2）在紧急情况下，可辅助恢复NameNode。

1.4 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/3.x版本中是128M，1.x版本中是64M。

思考：为什么块的大小不能设置太小，也不能设置太大？
（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；
（2）如果块设置的太大，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。
总结：HDFS块的大小设置主要取决于磁盘传输速率。

2.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
两个是完全相同的。

2.2 命令大全

[atguigu@hadoop102 hadoop-3.1.3]$ bin/hadoop fs 
[-appendToFile <localsrc> ... <dst>] 
[-cat [-ignoreCrc] <src> ...] 
[-chgrp [-R] GROUP PATH...] 
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...] 
[-chown [-R] [OWNER][:[GROUP]] PATH...] 
[-copyFromLocal [-f] [-p] <localsrc> ... <dst>] 
[-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] 
[-count [-q] <path> ...] 
[-cp [-f] [-p] <src> ... <dst>] 
[-df [-h] [<path> ...]] 
[-du [-s] [-h] <path> ...] 
[-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] 
[-getmerge [-nl] <src> <localdst>] 
[-help [cmd ...]] 
[-ls [-d] [-h] [-R] [<path> ...]] 
[-mkdir [-p] <path> ...] 
[-moveFromLocal <localsrc> ... <dst>] 
[-moveToLocal <src> <localdst>] 
[-mv <src> ... <dst>] 
[-put [-f] [-p] <localsrc> ... <dst>] 
[-rm [-f] [-r|-R] [-skipTrash] <src> ...] 
[-rmdir [--ignore-fail-on-non-empty] <dir> ...] 
<acl_spec> <path>]] 
[-setrep [-R] [-w] <rep> <path> ...] 
  [-stat [format] <path> ...] 
        [-tail [-f] <file>] 
        [-test -[defsz] <path>] 
        [-text [-ignoreCrc] <src> ...] 

2.3 常用命令实操

2.3.1 准备工作
1）启动Hadoop集群（方便后续的测试）

[atguigu@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh 
[atguigu@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh 

2）-help：输出这个命令参数

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -help rm 

3）创建/sanguo文件夹

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /sanguo 

2.3.2 上传
1）-moveFromLocal：从本地剪切粘贴到HDFS

[atguigu@hadoop102 hadoop-3.1.3]$ vim shuguo.txt 
输入： 
shuguo 
 
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs  -moveFromLocal  ./shuguo.txt  
/sanguo 

2）-copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去

[atguigu@hadoop102 hadoop-3.1.3]$ vim weiguo.txt 
输入： 
weiguo 
 
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -copyFromLocal weiguo.txt 
/sanguo 

3）-put：等同于copyFromLocal，生产环境更习惯用put

[atguigu@hadoop102 hadoop-3.1.3]$ vim wuguo.txt 
输入： 
wuguo 
 
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -put ./wuguo.txt /sanguo 

4）-appendToFile：追加一个文件到已经存在的文件末尾

[atguigu@hadoop102 hadoop-3.1.3]$ vim liubei.txt 
输入： 
liubei 
 
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -appendToFile liubei.txt 
/sanguo/shuguo.txt 

2.3.3 下载
1）-copyToLocal：从HDFS拷贝到本地

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal 
/sanguo/shuguo.txt ./ 

2）-get：等同于copyToLocal，生产环境更习惯用get

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -get 
/sanguo/shuguo.txt ./shuguo2.txt 

2.3.4 HDFS 直接操作
1）-ls: 显示目录信息

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -ls /sanguo 

2）-cat：显示文件内容

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -cat /sanguo/shuguo.txt 

3）-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-3.1.3]$ hadoop fs  -chmod 666  
/sanguo/shuguo.txt 
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs  -chown  atguigu:atguigu   
/sanguo/shuguo.txt 

4）-mkdir：创建路径

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /jinguo 

5）-cp：从HDFS的一个路径拷贝到HDFS的另一个路径

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -cp /sanguo/shuguo.txt 
/jinguo 

6）-mv：在HDFS目录中移动文件

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /sanguo/wuguo.txt /jinguo 
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /sanguo/weiguo.txt 
/jinguo 

7）-tail：显示一个文件的末尾1kb的数据

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -tail /jinguo/shuguo.txt 

8）-rm：删除文件或文件夹

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -rm /sanguo/shuguo.txt 

9）-rm -r：递归删除目录及目录里面内容

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /sanguo 

10）-du 统计文件夹的大小信息

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -du -s -h /jinguo 
27  81  /jinguo 
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -du  -h /jinguo 
14  42  /jinguo/shuguo.txt 
7   
21   /jinguo/weiguo.txt 
6   
18   /jinguo/wuguo.tx 

说明：27表示文件大小；81表示27*3个副本；/jinguo表示查看的目录
11）-setrep：设置 HDFS中文件的副本数量

[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -setrep 10 /jinguo/shuguo.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。

3.HDFS的API操作

3.1 客户端环境准备

1）找到资料包路径下的Windows依赖文件夹，拷贝hadoop-3.1.0到非中文路径（比如d:\）。
2）配置HADOOP_HOME环境变量

3）配置Path环境变量。
注意：如果环境变量不起作用，可以重启电脑试试。

验证Hadoop环境变量是否正常。双击winutils.exe，如果报如下错误。说明缺少微软运行库（正版系统往往有这个问题）。
4）在IDEA中创建一个Maven工程HdfsClientDemo，并导入相应的依赖坐标+日志添加

<dependencies> 
    <dependency> 
        <groupId>org.apache.hadoop</groupId> 
        <artifactId>hadoop-client</artifactId> 
        <version>3.1.3</version> 
    </dependency> 
    <dependency> 
        <groupId>junit</groupId> 
        <artifactId>junit</artifactId> 
        <version>4.12</version> 
    </dependency> 
    <dependency> 
        <groupId>org.slf4j</groupId> 
        <artifactId>slf4j-log4j12</artifactId> 
        <version>1.7.30</version> 
    </dependency> 
</dependencies> 

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 

5）创建包名：com.atguigu.hdfs
6）创建HdfsClient类

public class HdfsClient { 
 
    @Test 
    public void testMkdirs() throws IOException, URISyntaxException, 
InterruptedException { 
 
        // 1 获取文件系统
           Configuration configuration = new Configuration(); 
 
        // FileSystem fs = FileSystem.get(new 
URI("hdfs://hadoop102:8020"), configuration); 
        FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), 
configuration,"atguigu"); 
 
        // 2 创建目录 
        fs.mkdirs(new Path("/xiyou/huaguoshan/")); 
 
        // 3 关闭资源 
        fs.close(); 
    } 
} 

7）执行程序
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会从采
用Windows默认用户访问HDFS，会报权限异常错误。所以在访问HDFS时，一定要配置
用户。

org.apache.hadoop.security.AccessControlException: Permission denied: 
user=56576, access=WRITE, 
inode="/xiyou/huaguoshan":atguigu:supergroup:drwxr-xr-x 

3.2 HDFS的API案例实操

3.2.1 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://hadoop102:8020"), 
configuration, "atguigu"); 
 
    // 2 上传文件 
    fs.copyFromLocalFile(new Path("d:/sunwukong.txt"), new 
Path("/xiyou/huaguoshan")); 
 
    // 3 关闭资源 
    fs.close(); 
｝ 

2）将hdfs-site.xml拷贝到项目的resources资源目录下

<?xml version="1.0" encoding="UTF-8"?> 
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?> 
 
<configuration> 
 <property> 
  <name>dfs.replication</name> 
          <value>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）然后是服务器的自定义配置（xxx-site.xml） >（4）服务器的默认配置（xxx-default.xml）

3.2.2 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://hadoop102:8020"), 
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("/xiyou/huaguoshan/sunwukong.txt"), new Path("d:/sunwukong2.txt"), 
true); 
     
    // 3 关闭资源 
    fs.close(); 
} 

注意：如果执行上面代码，下载不了文件，有可能是你电脑的微软支持的运行库少，需
要安装一下微软运行库。
3.2.3 HDFS文件更名和移动

@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://hadoop102:8020"), 
configuration, "atguigu");  
   
 // 2 修改文件名称 
 fs.rename(new Path("/xiyou/huaguoshan/sunwukong.txt"), new 
Path("/xiyou/huaguoshan/meihouwang.txt")); 
   
 // 3 关闭资源 
 fs.close(); 
} 

3.2.4 HDFS删除文件和目录

@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://hadoop102:8020"), 
configuration, "atguigu"); 
   
 // 2 执行删除 
 fs.delete(new Path("/xiyou"), true); 
   
 // 3 关闭资源 
 fs.close(); 
} 

3.2.5 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://hadoop102:8020"), 
configuration, "atguigu"); 
 
 // 2 获取文件详情 
 RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), 
true); 
 
 while (listFiles.hasNext()) { 
  LocatedFileStatus fileStatus = listFiles.next(); 
 
  System.out.println("========" + fileStatus.getPath() + "========="); 
  System.out.println(fileStatus.getPermission()); 
  System.out.println(fileStatus.getOwner()); 
  System.out.println(fileStatus.getGroup()); 
  System.out.println(fileStatus.getLen()); 
  System.out.println(fileStatus.getModificationTime()); 
  System.out.println(fileStatus.getReplication()); 
  System.out.println(fileStatus.getBlockSize()); 
  System.out.println(fileStatus.getPath().getName()); 
 
  // 获取块信息 
  BlockLocation[] blockLocations = fileStatus.getBlockLocations(); 
  System.out.println(Arrays.toString(blockLocations)); 
 } 
 // 3 关闭资源 
 fs.close(); 
} 

3.2.6 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://hadoop102:8020"), 
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(); 
} 

题外话

我整理了一些资源，如果你也对Python和大数据感兴趣，关注下方公众号免费提取资料。