HDFS 入门和基本操作

1、HDFS 是做什么的

Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS,hdfs是分布式计算中数据存储管理的基础,是基于流数据模式访问和处理超大文件的需求而开发的,可以运行于廉价的商用服务器上。它所具有的高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征为海量数据提供了不怕故障的存储,为超大数据集(Large Data Set)的应用处理带来了很多便利。

 

2、为什么选择 HDFS 存储数据

之所以选择 HDFS 存储数据,因为 HDFS 具有以下优点:

**       1、高容错性**

​ 数据自动保存多个副本。它通过增加副本的形式,提高容错性。

​ 某一个副本丢失以后,它可以自动恢复,这是由 HDFS 内部机制实现的,我们不必关心。

**       2、适合批处理**

​ 它是通过移动计算而不是移动数据。

​ 它会把数据位置暴露给计算框架。

**       3、适合大数据处理**

处理数据达到 GB、TB、甚至PB级别的数据。

​ 能够处理百万规模以上的文件数量,数量相当之大。

​ 能够处理10K节点的规模。

**       4、流式文件访问**

​ 一次写入,多次读取。文件一旦写入不能修改,只能追加。

​ 它能保证数据的一致性。

5、可构建在廉价机器上

​ 它通过多副本机制,提高可靠性。

​ 它提供了容错和恢复机制。比如某一个副本丢失,可以通过其它副本来恢复。

 

当然 HDFS 也有它的劣势,并不适合所有的场合:

**        1、低延时数据访问**

​ 比如毫秒级的来存储数据,这是不行的,它做不到。

​ 它适合高吞吐率的场景,就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的,比如毫秒级以内读取数据,这样它是很难做到的。

**        2、小文件存储**

​ 存储大量小文件(这里的小文件是指小于HDFS系统的Block大小的文件(默认64M))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

​ 小文件存储的寻道时间会超过读取时间,它违反了HDFS的设计目标。

**        3、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。

​ 仅支持数据 append(追加),不支持文件的随机修改。

 

3、内部结构

HDFS 如何上传数据

HDFS 采用Master/Slave的架构来存储数据,这种架构主要由四个部分组成,分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分

**     1、Client:就是客户端。**

  • 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,然后进行存储。
  • 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 提供一些命令来管理 HDFS,比如启动或者关闭HDFS。
  • Client 可以通过一些命令来访问 HDFS。

**     2、NameNode:就是 master,它是一个主管、管理者。**

  • 管理 HDFS 的名称空间
  • 管理数据块(Block)映射信息
  • 配置副本策略
  • 处理客户端读写请求。

**     3、DataNode:就是Slave。NameNode 下达命令,DataNode 执行实际的操作。**

  • 存储实际的数据块。
  • 执行数据块的读/写操作。

**     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。**

  • 辅助 NameNode,分担其工作量。
  • 定期合并 fsimage和fsedits,并推送给NameNode。
  • 在紧急情况下,可辅助恢复 NameNode

 

5、HDFS 如何读取文件

HDFS的文件读取原理,主要包括以下几个步骤:

  • 首先调用FileSystem对象的open方法,其实获取的是一个DistributedFileSystem的实例。
  • DistributedFileSystem通过RPC(远程过程调用)获得文件的第一批block的locations,同一block按照重复数会返回多个locations,这些locations按照hadoop拓扑结构排序,距离客户端近的排在前面。
  • 前两步会返回一个FSDataInputStream对象,该对象会被封装成 DFSInputStream对象,DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方法,DFSInputStream就会找出离客户端最近的datanode并连接datanode。
  • 数据从datanode源源不断的流向客户端。
  • 如果第一个block块的数据读完了,就会关闭指向第一个block块的datanode连接,接着读取下一个block块。这些操作对客户端来说是透明的,从客户端的角度来看只是读一个持续不断的流。
  • 如果第一批block都读完了,DFSInputStream就会去namenode拿下一批blocks的location,然后继续读,如果所有的block块都读完,这时就会关闭掉所有的流。

 

6、HDFS 如何写入文件

HDFS的文件写入原理,主要包括以下几个步骤:

  • 客户端通过调用 DistributedFileSystem 的create方法,创建一个新的文件。
  • DistributedFileSystem 通过 RPC(远程过程调用)调用 NameNode,去创建一个没有blocks关联的新文件。创建前,NameNode 会做各种校验,比如文件是否存在,客户端有无权限去创建等。如果校验通过,NameNode 就会记录下新文件,否则就会抛出IO异常。
  • 前两步结束后会返回 FSDataOutputStream 的对象,和读文件的时候相似,FSDataOutputStream 被封装成 DFSOutputStream,DFSOutputStream 可以协调 NameNode和 DataNode。客户端开始写数据到DFSOutputStream,DFSOutputStream会把数据切成一个个小packet,然后排成队列 data queue。
  • DataStreamer 会去处理接受 data queue,它先问询 NameNode 这个新的 block 最适合存储的在哪几个DataNode里,比如重复数是3,那么就找到3个最适合的 DataNode,把它们排成一个 pipeline。DataStreamer 把 packet 按队列输出到管道的第一个 DataNode 中,第一个 DataNode又把 packet 输出到第二个 DataNode 中,以此类推。
  • DFSOutputStream 还有一个队列叫 ack queue,也是由 packet 组成,等待DataNode的收到响应,当pipeline中的所有DataNode都表示已经收到的时候,这时akc queue才会把对应的packet包移除掉。
  • 客户端完成写数据后,调用close方法关闭写入流。
  • DataStreamer 把剩余的包都刷到 pipeline 里,然后等待 ack 信息,收到最后一个 ack 后,通知 DataNode 把文件标示为已完成。

 

7、命令行接口

两个属性项: fs.default.name 用来设置Hadoop的默认文件系统,设置hdfs URL则是配置HDFS为Hadoop的默认文件系统。dfs.replication 设置文件系统块的副本个数

文件系统的基本操作:hadoop fs -help可以获取所有的命令及其解释

常用的有:

  • hadoop fs -ls / 列出hdfs文件系统根目录下的目录和文件
  • hadoop fs -put<local path> <hdfs path> 从本地文件系统将一个文件上传到HDFS
  • hadoop fs -get<hdfs path> <local path> 从本地文件系统将一个文件上传到HDFS
  • hadoop fs -rm -r <hdfs dir or file> 删除文件或文件夹及文件夹下的文件
  • hadoop fs -mkdir <hdfs dir>在hdfs中新建文件夹

操作路程

  • cd hadoop.2.5.2
  • cd sbin
  • ./start-all.sh //启动hdfs服务,yarn服务
  • cd ..
  • cd bin
  • ./haoop dfs –ls / 解释:./hdfs 是hdfs命令 dfs参数 表示在hadoop里有效 –ls /显示hdfs根目录
  • ./haoop dfs –rm /test/count/SUCCESS //删除/test/count目录里的SUCCESS文件
  • ./haoop dfs –rmr /test/count/output //删除/test/count/output目录
  • ./haoop dfs –mkdir /test/count/input //创建/test/count/input目录
  • 从linux的 共享文件夹取得要分析的文件,上传到 hdfs

./hadoop fs –put /mnt/hgfs/share/phone.txt /test/network

  • 执行代码分析,

./hadoop jar /mnt/hgfs/share/mobile.jar com.wanho.hadoopmobile.PhoneDriver

  • 将产生的结果,传回linux的共享文件夹

./hadoop fs –get /test/network/output1 /mnt/hgfs/share

 

源码、更多资深讲师相关课程资料、学习笔记请入群后向管理员免费获取,更有专业知识答疑解惑。入群即送价值499元在线课程一份。

QQ群号:560819979

敲门砖(验证信息):霸王别姬

代码交流 2021