正文 

当前位置： 首页 > 技术 > java教程

hadoop基础入门：hdfs(代码片段)

THEWHY THEWHY     2023-03-29     572

关键词：

目录

HDFS

架构概述

HDFS的优缺点

HDFS组成架构

*HDFS块大小*

HDFS的Shell操作（开发）

*HDFS 的读写流程*

NameNode 和 SecondaryNameNode

DateNode工作机制

HDFS

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统

架构概述

  1. NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等
  2. DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和
  3. Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份

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

HDFS的优缺点

优点：

  1. 高容错性
    1. 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
    2. 某一个副本丢失以后，它可以自动恢复
  1. 适合处理大数据
    1. 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据
    2. 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
  1. 可构建在廉价机器上，通过多副本机制，提高可靠性

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
  3. 不支持并发写入、文件随机修改
    1. 一个文件只能有一个写，不允许多个线程同时写
    2. 仅支持数据append（追加），不支持文件的随机修改

HDFS组成架构

1.NameNode：

（1）管理HDFS的名称空间；

（2）配置副本策略（副本个数最多不能超过集群中的机器台数）；

（3）管理数据块（Block）映射信息；

（4）处理客户端读写请求

2.DataNode：

（1）存储实际的数据块；

（2）执行数据块的读/写操作

namenode下达命令，datanode执行具体的操作

3.Client（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（通常是128M），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：

（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

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

*HDFS块大小*

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

HDFS中块（block）的大小为什么设置为128M？

  1. HDFS中平均寻址时间大概为10ms；
  2. 经过前人的大量测试发现，寻址时间为传输时间的1%时，为最佳状态；所以最佳传输时间为10ms/0.01=1000ms=1s
  3. 目前磁盘的传输速率普遍为100MB/s；计算出最佳block大小：100MB/s x 1s = 100MB；所以我们设定block大小为128MB。

实际在工业生产中，

磁盘传输速率为200MB/s时，一般设定block大小为256MB

磁盘传输速率为400MB/s时，一般设定block大小为512MB

可能与网卡也有关系，目前我们采用的都是千兆网卡.千兆网卡的传输速率普遍是 100M/s

为什么HDFS中块（block）不能设置太大，也不能设置太小？

HDFS的Shell操作（开发）

hadoop fs 和 hdfs dfs的区别：

hadoop fs：通用的文件系统命令，针对任何系统，比如本地文件、HDFS文件、HFTP文件、S3文件系统等

hdfs dfs：hdfs文件系统的操作命令，只针对HDFS文件

二者在使用上完全相同

hadoop fs -help：查看帮助

hadoop fs -help 具体指令：查看某一指令的具体操作信息

上传

-moveFromLocal：从本地剪切粘贴到 HDFS

-copyFromLocal：从本地文件系统中拷贝文件到 HDFS 路径去

-put：等同于 copyFromLocal，生产环境更习惯用 put

-appendToFile：追加一个文件到已经存在的文件末尾

下载

-copyToLocal：从 HDFS 拷贝到本地

-get：等同于 copyToLocal，生产环境更习惯用 get

其他常用：

-ls
-cat
-mkdir
-cp
-mv
-tail
-rm
-rm -r
-du
-setrep (设置文件副本的数量)

*HDFS 的读写流程*

写数据流程

（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 （64k）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。

对于每一个DataNode来说，向后传输和本地存储是同步进行的

（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）

副本存储结点的选择：

HDFS在写入数据的时候，需要进行副本的存储，如何选择副本存储的节点？

与节点距离有关：（节点距离：两个节点到达最近的共同祖先的距离总和）

节点距离如何计算：

机架r1上n1和n2的距离：它们的共同祖先是机架r1，n1-r1:1，n2-r1:1，因此n1和n2之间的距离为2

Hadoop3.1.3副本节点选择策略（以副本数是3为例）：

  1. 第一个副本在Client所处的节点上。如果客户端在集群外，随机选一个
  2. 第二个副本在另一个机架的随机一个节点
  3. 第三个副本在第二个副本所在机架的随机节点

读数据流程：

（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）

hdfs的数据完整性机制：Hadoop原理 之 数据完整性_初级以上的博客-CSDN博客_hadoop是如何保证数据完整性的?

（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

客户端读数据是串行读的如上图的blk_1,blk_2，需要先读完blk_1,再去读取blk_2

NameNode 和 SecondaryNameNode

元数据存储：经常需要进行随机访问，响应客户请求，元数据应当存放在内存中；

  1. FsImage：如果元数据只存在内存中，一旦断电，元数据丢失，整个集群就无法工作了。因此产生在磁盘中备份元数据的FsImage
  2. Edits：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；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
  3. SecondaryNamenode：定期进行FsImage 和 Edits 的合并

NameNode的工作机制

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。

Fsimage 和 Edits 解析

文件路径：$HADOOP_HOME$/data/dfs/name/current（该路径是在core-site中指定的hadoop数据存储目录，默认应该是在/tmp下）

（1）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

（2）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

（3）seen_txid文件保存的是一个数字，就是最后一个edits_的数字

​

代表最新的edits文件，因此seen_txid中的数字就应该是38423

（4）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，可以看成NameNode启动的时候就将Fsimage和Edits文件进行了合并。

合并规则：

最新的edits文件为38423，表示之前的edits和fsimage已经合并完成，下次合并的应该是

edits_inprogress_0000000000000038423和fsimage_0000000000000038422

再看合并时间：

NameNode启动时会进行合并操作，在NameNode正常运行时，默认1h合并一次

查看fsimage和edits文件

hdfs oiv -p 文件类型 -i 镜像文件 -o 转换后文件输出路径：查看fsimage

hdfs oev -p 文件类型 -i 编辑日志 -o 转换后文件输出路径：查看edits

fsimage文件内容解析：

<inode>
  <id>16386</id>
  <type>DIRECTORY</type>
  <name>input</name>
  <mtime>1662523525372</mtime>
  <permission>why:supergroup:0755</permission>
  <nsquota>-1</nsquota>
  <dsquota>-1</dsquota>
</inode>


<directory>
  <parent>16386</parent>
  <child>16539</child>
</directory>

<inode>
  <id>16539</id>
  <type>FILE</type>
  <name>word.txt</name>
  <replication>3</replication>
  <mtime>1662523525428</mtime>
  <atime>1664414989491</atime>
  <preferredBlockSize>134217728</preferredBlockSize>
  <permission>why:supergroup:0644</permission>
  <blocks>
    <block>
      <id>1073741896</id>
      <genstamp>1072</genstamp>
      <numBytes>47</numBytes>
    </block>
</blocks>

一个inode存储了一条元数据，如上这条信息代表的就是一个名字为input的文件夹

directory中16386为parent，表示其不是一个独立的文件，在child中标明了其子文件的id为16539

找到id为16539的文件，也就是word.txt，其类型是FILE，同时能查看其block相关信息，可以看到该文件比较小，只有一个block，字节数为47

DateNode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（由.meta文件存储）

数据和元数据

（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

（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

（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）常见的校验算法 crc（32），md5（128），sha1（160）

（5）DataNode 在其文件创建后周期验证 CheckSum

掉线时限参数设置

java零基础入门26：java.lang.noclassdeffounderror:couldnotinitializeclassorg.apache.hadoop.hdfs.dfsut(代码片段)

...、java.io.IOException:Couldnotlocateexecutablenull\\bin\\winutils.exeintheHadoopbinaries.1、异常原因三、Windows配置Hadoop环境1、[下载hadoop的tar.gz包](https://hadoop.apache.org/releases.html)启动一、异常java.lang.NoClassDefFoundError:Couldnotinitializeclassorg.apache.hadoop.hd... 查看详情

hadoop之hdfs基础(代码片段)

一。HDFS概念1.1概念  HDFS是一个分布式文件系统，用于存储文件，通过目录树来定位文件，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，并不适合用来做网盘应用。1.2组成1）HDFS集群包括... 查看详情

hdfs入门和基本操作(代码片段)

1、HDFS是做什么的　　Hadoop实现了一个分布式文件系统（HadoopDistributedFileSystem），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... 查看详情

大数据—hadoop(入门篇一）(代码片段)

Hadoop（一）Hadoop是什么Hadoop组成HDFS架构概述YARN架构概述MapReduce架构概述Hadoop是什么Hadoop是一个由Apache基金会所开发的分布式系统基础架构主要解决，海量数据的存储和海量数据的分析计算问题广义上来说，Hadoop... 查看详情

hdfs学习(代码片段)

1、hadoop生产环境版本选择Hadoop三大发行版本：Apache、Cloudera、Hortonworks。Apache版本最原始（最基础）的版本，对于入门学习最好。Cloudera在大型互联网企业中用的较多。Hortonworks文档较好。maprApacheHadoop官网地址࿱... 查看详情

学习笔记hadoop——hadoop基础操作——hdfs常用shell操作(代码片段)

...S文件系统HDFSShell指的是可以使用类似shell的命令来直接和Hadoop分布式文件系统（HDFS）进行交互。使用命令：bin/hadoopfs<args>bin/hdfsdfs<args>参数中的路径使用scheme://authority/path的格式，如默认配 查看详情

hadoop学习笔记hdfs基础命令(代码片段)

HDFS基础命令lshdfsdfs-ls/ls-Rhdfsdfs-ls-R/mkdirhdfsdfs-mkdir-p/hao/okputhdfsdfs-put/root/a.txt/dir1moveFromLocalhdfsdfs-moveFromLocal/root/hao.txt/gethdfsdfs-get/dir2/dir22/a.txt./mvhdfsdfs-mv/dir1/a.txt/ 查看详情

大数据零基础学习hadoop入门教程

1、Hadoop生态概况Hadoop是一个由Apache基金会所开发的分布式系统集成架构，用户可以在不了解分布式底层细节情况下，开发分布式程序，充分利用集群的威力来进行高速运算与存储，具有可靠、高效、可伸缩的特点Hadoop的核心是YA... 查看详情

hdfs基础入门(代码片段)

大家好，我是脚丫先生(o^^o)废话不多说，我们开始今天的正文。文章目录一、HDFS的介绍1.1HDFS分布式文件系统1.2HDFS设计思路1.3HDFS架构1.4特性二HDFS优缺点2.1优点2.2缺点三、HDFS不适合存储小文件一、HDFS的介绍1.1HDFS分布式文... 查看详情

hdfs基础(代码片段)

...这个分布式文件管理系统。块名称节点和数据节点在搭建hadoop集群时配置core-site.xml文件配置了hadoop.tmp.dir是NameNode的主目录。它在配置的目录在加上tmp/dfs/name/current,如下：VERSION客户端访问存储原理冗余数据存储数据存取策略... 查看详情

hadoop基础操作(代码片段)

文章目录查看Hadoop集群的基本信息查询集群的计算资源信息上传文件到HDFS目录下载文件删除文件小任务实现本文及后续文章大多在Hadoop伪分布式环境下操作查看Hadoop集群的基本信息当HDFS文件系统完成启动时，在服务器集群... 查看详情

学习笔记hadoop——hadoop基础操作(代码片段)

文章目录一、Hadoop安全模式1.1、HDFS启动日志分析1.2、Safemode进入方式二、Hadoop集群基本信息三、HDFS常用Shell操作3.1、HDFS文件系统3.2、常用Shell命令-appendToFile3.3、常用Shell命令-cat3.4、常用Shell命令-copyFromLocal|put3.5、常用Shell命令-cp3... 查看详情

大数据技术之hadoop（入门）概述运行环境搭建运行模式(代码片段)

文章目录1Hadoop概述1.1Hadoop是什么1.2Hadoop优势1.3Hadoop组成（面试重点）1.3.1HDFS架构概述1.3.2YARN架构概述1.3.3MapReduce架构概述1.3.4HDFS、YARN、MapReduce三者关系1.3.5大数据技术生态体系1.3.6推荐系统框架图2Hadoop运行环境搭建（... 查看详情

尚硅谷大数据hadoop教程-笔记02hdfs(代码片段)

视频地址：尚硅谷大数据Hadoop教程（Hadoop3.x安装搭建到集群调优）尚硅谷大数据Hadoop教程-笔记01【入门】尚硅谷大数据Hadoop教程-笔记02【HDFS】尚硅谷大数据Hadoop教程-笔记03【MapReduce】尚硅谷大数据Hadoop教程-笔记04【Ya... 查看详情

mapreduce编程入门及hdfs-java接口(代码片段)

...用Eclipse创建MapReduce工程配置环境推荐这篇博客Eclipse连接Hadoop集群（详细版）配置好后，我的是这个样子保持虚拟机开启，虚拟机最好已经创建HDFS目录（非虚拟机本地目录）。新建MapReduce工程File->New->P... 查看详情

hadoop入门概念

　　一、hadoop的概念（1）什么是大数据　　大数据是不能用传统的计算技术处理的大型数据集的集合。它不是一个单一的技术或工具，而是涉及的业务和技术的许多领域。 （2）hadoop的定义　　Hadoop是一个由Apache基金会所开... 查看详情

sqoop从入门到实战(代码片段)

...1章Sqoop简介  Sqoop是一款开源的工具，主要用于在Hadoop(Hive)与传统的数据库(mysql,postgresql,...)间进行数据的高校传递，可以将一个关系型数据库（例如：MySQL,Oracle,Postgres等）中的数据导入到Hadoop的HDFS中，也可以将HDFS的数据... 查看详情

hbase入门配置(代码片段)

...hbase-env.sh文件2.修改hbase-site.xml文件3.在conf文件夹中创建hadoop配置文件的软链接ln-s/hadoop/etc/hadoop/core-site.xml/hbase/conf/core-site.xmlln-s/hadoop/etc/hadoop/hdfs-site.xml/hbase/conf/hdfs-site.xml4.分发配置5.启动RegionServer、Master，只能在指定master节点... 查看详情