正文 

当前位置： 首页 > java > java教程

hdfs入门和基本操作(代码片段)

author author     2023-02-01     508

关键词：

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

技术分享图片

HDFS 如何上传数据

技术分享图片

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

技术分享图片

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

技术分享图片

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

hadoop基础入门：hdfs(代码片段)

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SecondaryNameNodeDateNode工作机制HDFSHadoopDistributedFileSystem，简称HDFS，是一个分布式文件系统架构概述NameNode（nnÿ... 查看详情

云小课|mrs基础入门之hdfs组件介绍(代码片段)

...写。本文分享自华为云社区《【云小课】EI第21课MRS基础入门之HDFS组件介绍》，原文作者：Hi,EI。HDFS针对的使用场景是数据读写具有“一次写，多次读”的特征，而数据“写”操作是顺序写，也就是在文件创建时的写 查看详情

hdfs操作实验(代码片段)

...应用》，然后找到实验开始学习。我认为这门课被认为是入门的专业课是可以的，很多地方都只是一个简单的描述一下体系结构，工作方式等等，这就足够了，多了也听不懂。学习完了这门课，就是深似海的感觉，对讲的内容总... 查看详情

大数据计算hdfs操作方法和基础编程(代码片段)

1.HDFS操作常用Shell命令1.1查看命令使用方法启动Hadoopstart-dfs.sh查看各种命令hdfsdfs-help1.2HDFS目录操作1.2.1目录操作方法查看HDFS下所有的目录hdfsdfs-ls创建一个input_test的目录hdfsdfs-mkdirinput_test删除input_test的目录hdfsdfs-rm-rinput_test1.2.2文... 查看详情

hadoop开发重点hdfs的api操作(代码片段)

...目录2.5HDFS文件详情查看2.6HDFS文件和文件夹判断3.客户端代码常用套路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 查看详情

hdfs常用命令整理(代码片段)

简介：HDFS文件系统提供了相当多的shell操作命令，大大方便了程序员和系统管理人员查看、修改HDFS上的文件。进一步，HDFS的操作命令和Unix/Linux的命令名称和格式相当一致，因而学习HDFS命令的成本也大为缩小。1.命令帮助[[email&#... 查看详情

分布式文件系hdfs-部署和配置(代码片段)

1部署HDFSHDFS的基本操作可以分为集群管理和文件系统操作两种类型：集群管理：包括Namenodede的格式化、集群的启动和停止、集群信息查看等。文件系统：包括对目录、文件和权限等内容的操作。HDFS中的命令主要在sbin和bin目录下... 查看详情

datax-操作hdfs(代码片段)

DataX操作HDFS读取HDFS1快速介绍HdfsReader提供了读取分布式文件系统数据存储的能力。在底层实现上，HdfsReader获取分布式文件系统上文件的数据，并转换为DataX传输协议传递给Writer。目前HdfsReader支持的文件格式有textfile（text）、orcfi... 查看详情

hdfs(代码片段)

HDFS体系结构  　　1:namenode[守护进程]作用：　　　　-->管理文件系统名称空间；【fsimage元数据镜像文件】　　　　-->管理客户端对文件的访问；【edits操作文件】　　　　-->Namenode执行文件系统命名空间操作，如打... 查看详情

sqoop使用入门(代码片段)

sqoop是apache旗下，用于关系型数据库和hadoop之间传输数据的工具，sqoop可以用在离线分析中，将保存在mysql的业务数据传输到hive数仓，数仓分析完得到结果，再通过sqoop传输到mysql，最后通过web+echart来进行图表展示，更加直观的展... 查看详情

mapreduce编程入门及hdfs-java接口(代码片段)

文章目录使用Eclipse创建MapReduce工程配置环境新建MapReduce工程分布式文件系统HDFSHDFS-JAVA接口之读取文件HDFS-JAVA接口之上传文件HDFS-JAVA接口之删除文件HDFS-JAVA接口之列举文件夹和文件列举文件夹列举文件HDFS-JAVA接口之创建目录HDFS-JA... 查看详情

c++通过http协议操作hdfs(代码片段)

一、http协议存在hdfs组件   通过http协议操作hdfs有两个组件，httpfs和webhdfs，我一开始还以为这两个是同一个东西，其实不是。webhdfs是namenode、datanode自带的，httpfs是完全独立的一个组件。webhdfs上传文件等操作需... 查看详情

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

三、HDFS常用Shell操作3.1、HDFS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... 查看详情

hdfs深入：10hdfs的javaapi操作(代码片段)

 看到10、hdfs的javaAPI操作， 13分19秒具体代码如下：/***递归遍历hdfs中所有的文件路径*/@TestpublicvoidgetAllHdfsFilePath()throwsURISyntaxException,IOException//获取fs的客户端FileSystemfileSystem=FileSystem.get(newURI("hdfs:// 查看详情

airflow入门及使用(代码片段)

Airflow入门及使用Airflow入门及使用什么是Airflow？Airflow是一个使用python语言编写的datapipeline调度和监控工作流的平台。Airflow是通过DAG（Directedacyclicgraph有向无环图）来管理任务流程的任务调度工具，不需要知道业务数据的具体内... 查看详情

实验二hdfs的shell命令操作，和hdfs的api操作(代码片段)

文章目录实验目的一、实验原理二、实验准备实验内容步骤项目1HDFS常见命令练习列出HDFS当前用户家目录下的文件及文件夹：列出HDFS文件下名为directory的文件夹中的文件：上传文件，将本地目录file1文件上传到HDFS上... 查看详情

hadoop3-hdfs介绍及shellcli操作(代码片段)

一、HDFS上篇文章搭建了Hadoop集群，包含HDFS集群和YARN集群，本篇文章针对HDFS进行详细讲解与使用，下面是上篇文章的地址：https://blog.csdn.net/qq_43692950/article/details/127158935HDFS（HadoopDistributedFileSystemÿ 查看详情

hadoop3-hdfs介绍及shellcli操作(代码片段)

一、HDFS上篇文章搭建了Hadoop集群，包含HDFS集群和YARN集群，本篇文章针对HDFS进行详细讲解与使用，下面是上篇文章的地址：https://blog.csdn.net/qq_43692950/article/details/127158935HDFS（HadoopDistributedFileSystemÿ 查看详情