Hadoop的分布式文件存储系统HDFS组件的使用-Toy模板网

这篇具有很好参考价值的文章主要介绍了Hadoop的分布式文件存储系统HDFS组件的使用。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、HDFS的组成

1、NameNode

存储整个HDFS集群的元数据（metaData） —— 整个集群中存储的目录和文件的索引
管理整个HDFS集群
接收客户端的请求
负责节点的故障转移

2、DataNode

存储数据，是以block块的形式进行数据的存放。
默认情况下block块的大小是128M。
blocksize大小的计算公式：
- 寻址时间：下载文件时找到文件的时间；寻址时间是传输时间的1%的时候是最佳的状态；hdfs的寻址时间平均是10ms
- 数据传输速度：100M/s
定时负责汇总整个节点上存储的block块的信息，然后给NN汇报。
负责和客户端连接进行文件的读写操作。

3、SecondaryNameNode

辅助NameNode去完成edits编辑日志和fsimage镜像文件的合并操作。

4、客户端：命令行/Java API

负责和HDFS集群进行通信实现文件的增删改查
负责进行block块的分割

二、HDFS的基本使用

HDFS是一个分布式文件存储系统，可以存储数据（文件数据），HDFS既然是一个文件系统，那么就可以进行文件的上传、下载、删除、创建文件夹等等

HDFS给我们提供了两种操作的方式：①命令行来操作②通过Java API来进行操作

1、命令行操作

命令行操作
hdfs dfs -xxxx xxxxx 或者 hadoop fs -xxxx xxxxx
查看 —— hdfs dfs -ls/
新建 —— hdfs dfs -mkdir /demo
上传 —— hdfs dfs -put jdk-8u371-linux-x64.tar.gz /demo
上传并删除Linux本地内容 —— hdfs dfs -moveFromLocal hadoop-3.1.4.tar.gz /demo
下载 —— hdfs dfs -getToLocal /demo/hadoop-3.1.4.tar.gz /opt/software
下载 —— hdfs dfs -copyToLocal /demo/hadoop-3.1.4.tar.gz /opt/software
删除 —— hdfs dfs -rm -r /demo

2、Java API操作

引入Hadoop的编程依赖（hadoop-client、hadoop-hdfs）到pom.xml中：

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0</modelVersion>

  <groupId>com.kang</groupId>
  <artifactId>hdfs-study</artifactId>
  <version>1.0-SNAPSHOT</version>
  <packaging>jar</packaging>

  <name>hdfs-study</name>
  <url>http://maven.apache.org</url>

  <properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <maven.compiler.source>8</maven.compiler.source>
    <maven.compiler.target>8</maven.compiler.target>
    <hadoop.version>3.1.4</hadoop.version>
  </properties>

  <dependencies>
    <dependency>
      <groupId>junit</groupId>
      <artifactId>junit</artifactId>
      <version>4.12</version>
      <scope>compile</scope>
    </dependency>
    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-client -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-client</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
    
    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-hdfs -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-hdfs</artifactId>
      <version>${hadoop.version}</version>
    </dependency>
  </dependencies>
</project>

hdfs的基本操作

/**
 * HDFS的编程流程
 *   1、创建Hadoop的配置文件对象，配置文件对象指定HDFS的相关连接配置
 *        配置文件对象等同于hadoop的etc/hadoop目录下的哪些xxx.xml配置
 *   2、根据配置获取和HDFS的连接
 *   3、连接去操作HDFS集群
 */

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.LocatedFileStatus;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.RemoteIterator;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

public class Demo {
    public static void main(String[] args) throws URISyntaxException, IOException, InterruptedException {
        //1、创建Hadoop的配置文件Configuration对象
        Configuration conf = new Configuration();
        //2、根据配置文件获取HDFS的连接 FileSystem
        FileSystem system = FileSystem.get(new URI("hdfs://192.168.31.104:9000"), conf, "root");
        //3、根据System去操作HDFS集群了
        RemoteIterator<LocatedFileStatus> listedFiles = system.listFiles(new Path("/"), false);
        while(listedFiles.hasNext()){
            LocatedFileStatus fileStatus = listedFiles.next();
            System.out.println("文件的路径" + fileStatus.getPath());
            System.out.println("文件的所属用户" + fileStatus.getOwner());
            System.out.println("文件的权限" + fileStatus.getPermission());
            System.out.println("文件的blocksize" + fileStatus.getBlockSize());
        }
    }
}

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.junit.Before;
import org.junit.Test;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * 单元测试
 */
public class HDFSTest {
    public FileSystem fileSystem;

    @Before
    public void init() throws URISyntaxException, IOException, InterruptedException {
        //1、创建Hadoop的配置文件Configuration对象
        Configuration conf = new Configuration();
        conf.set("dfs.replication","1");
        //2、根据配置文件获取HDFS的连接 FileSystem
        fileSystem = FileSystem.get(new URI("hdfs://192.168.31.104:9000"), conf, "root");
    }
    /**
     * 1、通过JavaAPI实现文件的上传
     */
    @Test
    public void test01() throws IOException {
        fileSystem.copyFromLocalFile(new Path("D:\\2023PracticalTraining\\software\\InstallPackage\\PowerDesginer16.5.zip"),new Path("/demo"));
        System.out.println("上传成功！");
        //fileSystem.copyToLocalFile();
    }

    /**
     * 2、下载文件
     * 在Windows上远程操作HDFS或者是在Windows上操作MapReduce代码的时候，有些情况下要求windows上也必须有hadoop的软件环境
     * 但是hadoop只能在Linux上安装，因此，Windows上安装的hadoop其实是一个假的环境
     *  报错：exitcode=-107xxxxxxx 原因是因为电脑缺少C语言的运行环境
     */
    @Test
    public void test02() throws IOException {
        fileSystem.copyToLocalFile(new Path("/jdk-8u371-linux-x64.tar.gz"),new Path("D:\\Desktop"));
        System.out.println("下载成功！");
    }
    /**
     * 3、删除文件的方法
     */
    @Test
    public void test03() throws IOException {
        boolean delete = fileSystem.delete(new Path("/demo"), true);
        System.out.println(delete);
    }
}

test01：

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

test02：

会显示报错：HADOOP_HOME and hadoop.home.dir are unset. Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

在Windows上远程操作HDFS或者是在Windows上操作MapReduce代码的时候，有些情况下要求windows上也必须有hadoop的软件环境；

但是hadoop只能在Linux上安装，因此，Windows上安装的hadoop其实是一个假的环境

将发给Linux的hadoop-3.1.4.tar.gz这个安装包先解压为hadoop-3.1.4.tar再解压为hadoop-3.1.4

解压时会报错，此报错不予理会

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

解压后，将文件中的bin目录下的所有文件均作替换，替换文件可在百度上搜索下载

配置环境变量

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

编辑系统变量中的Path

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

再次运行程序即可成功！

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

test03：

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

package com.kang;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * hdfs查看某个路径下的所有文件和文件夹的信息
 */
public class Demo01 {
    public static void main(String[] args) throws URISyntaxException, IOException, InterruptedException {
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(new URI("hdfs://192.168.31.104:9000"), conf, "root");

        /**
         *
         */
        FileStatus[] fileStatuses = fs.listStatus(new Path("/"));
        for (FileStatus fileStatus : fileStatuses) {
            System.out.println(fileStatus.getPath());
            System.out.println(fileStatus.getBlockSize());
            System.out.println(fileStatus.getPermission());
            System.out.println(fileStatus.getOwner());
            System.out.println(fileStatus.getGroup());
        }

    }
}

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

package com.kang;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * hdfs的相关判断类型的JavaAPI操作
 */
public class Demo02 {
    public static void main(String[] args) throws URISyntaxException, IOException, InterruptedException {
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(new URI("hdfs://192.168.31.104:9000"), conf, "root");

        boolean b = fs.isDirectory(new Path("/demo"));
        System.out.println(b);
        boolean b1 = fs.isFile(new Path("/demo"));
        System.out.println(b1);
        boolean exists = fs.exists(new Path("/a"));
        System.out.println(exists);

    }
}

package com.kang;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * hdfs的创建相关的JavaAPI
 */
public class Demo03 {
    public static void main(String[] args) throws URISyntaxException, IOException, InterruptedException {
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(new URI("hdfs://192.168.31.104:9000"), conf, "root");

        boolean mkdirs = fs.mkdirs(new Path("/a/b"));
        System.out.println(mkdirs);

        boolean newFile = fs.createNewFile(new Path("/a/a.txt"));
        System.out.println(newFile);

    }
}

package com.kang;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.io.FileOutputStream;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

/**
 * hdfs提供了一个可以借助JavaIO流读取数据的方法
 *  上传fs.create		下载fs.open
 */
public class Demo04 {
    public static void main(String[] args) throws URISyntaxException, IOException, InterruptedException {
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(new URI("hdfs://192.168.31.104:9000"), conf, "root");

        FSDataInputStream inputStream = fs.open(new Path("/jdk-8u371-linux-x64.tar.gz"));
        inputStream.seek(128*1024*1024);
        FileOutputStream fos = new FileOutputStream("D:\\Desktop\\block2");
        int read = 0;
        while((read = inputStream.read())!=-1){
            fos.write(read);
        }
        System.out.println("第二个数据块读取完成");
    }
}

HDFS不适用于大量小文件的常量、HDFS不能对存储的文件进行修改操作

三、HDFS的工作流程问题（HDFS的原理性内容）

1、HDFS上传数据的流程

客户端在和DN建立连接的时候，是和距离它最近的某一个DN建立连接
怎么判断DN距离客户端的距离：网络拓扑原则
客户端和HDFS的节点在同一个集群上

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

客户端向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。
namenode返回是否可以上传。
客户端请求第一个 block上传到哪几个datanode服务器上。
namenode返回3个datanode节点，分别为dn1、dn2、dn3。
客户端请求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。
dn1、dn2、dn3逐级应答客户端。
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。
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）

2、HDFS下载数据的流程

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

客户端向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。
挑选一台datanode（就近原则，然后随机）服务器，请求读取数据。
datanode开始传输数据给客户端（从磁盘里面读取数据放入流，以packet为单位来做校验）。
客户端以packet为单位接收，先在本地缓存，然后写入目标文件。

3、HDFS副本备份机制

数据上传的时候，会根据配置进行block块的备份，备份的时候，选择哪些节点进行数据备份？
机架感知原则进行备份

低版本Hadoop副本节点选择：

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。
第二个副本和第一个副本位于不相同机架的随机节点上。
第三个副本和第二个副本位于相同机架，节点随机。

Hadoop2.8.5副本节点选择：

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。
第二个副本和第一个副本位于相同机架，随机节点。
第三个副本位于不同机架，随机节点。

4、HDFS中NameNode和SecondaryNameNode的工作机制

这个工作机制就是NameNode如何管理元数据的机制

元数据：指的是HDFS存储文件/文件夹的类似的目录结构，目录中记录着每一个文件的大小、时间、每一个文件的block块的份数，block块存储的节点列表信息…
NameNode默认的元数据内存是1000M，可以存储管理百万个block块的元数据信息

两个和元数据有关的文件 —— 再次启动HDFS之后恢复元数据的机制

edits编辑日志文件：记录客户端对HDFS集群的写入和修改操作

fsimage镜像文件：理解为HDFS元数据的持久点检查文件

HDFS的安全模式（safemode）

HDFS启动之后会先进入安全模式，安全模式就是将edits和fsimage文件加载到nn内存的这一段时间，dn向NN注册的这一段时间

安全模式下无法操作HDFS集群的，安全模式会自动退出，NN的内存加载好了（元数据加载好了），同时HDFS集群还满足节点数的启动

SNN的作用就是对NN进行checkpoint（检查点机制）操作

checkpoint什么时候触发
- 检查点时间到了 —— 1小时
  dfs.namenode.checkpoint.period 3600s
- HDFS距离上一次检查点操作数到达100万次
  dfs.namenode.checkpoint.txns 1000000
SNN每隔1分钟会询问一次NN是否要进行checkponit操作
dfs.namenode.checkpoint.check.period 60s

NameNode的出现故障之后，元数据的恢复方式

因为元数据的核心是edits和fsimage文件，同时snn工作的时候会把nn的文件复制到snn当中，因此如果NN的元数据丢失，我们可以从SNN中把这些文件再复制到NN的目录下进行元数据的恢复（恢复可能会导致一部分的元数据丢失）
SNN的目录： ${hadoop.tmp.dir}/dfs/namesecondary/current nn的目录：$ {hadoop.tmp.dir}/dfs/name/current
元数据还有一种恢复方式：配置HDFS的namenode的多目录保存（HDFS的编辑日志和镜像文件在多个目录下保存相同的备份）
这种方式只能使用在同一个节点上
这种方式存在的问题：如果整个节点宕机，无法恢复了
dfs.namenode.name.dir 多个路径
```
hdfs-site.xml
<property>
  <name>dfs.namenode.name.dir</name>
<value>/opt/app/hadoop/data/dfs/name1,/opt/app/hadoop/data/dfs/name2</value>
</property>
```
最好把HDFS重新格式化一下，或者手动把目录创建一份
HA高可用模式

5、HDFS中NameNode和DataNode之间的工作机制

Hadoop的分布式文件存储系统HDFS组件的使用,Hadoop,hadoop,分布式,hdfs

详细流程
- 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。
- DataNode启动后向namenode注册，通过后，周期性（1小时）的向namenode上报所有的块信息。
- 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。
- 集群运行中可以安全加入和退出一些机器。

DataNode上存储的block块除了数据本身以外，还包含数据的长度、数据校验和、时间戳…

数据校验和是为了保证block块的完整性和一致性的，校验和机制，创建block块的时候会根据数据本身计算一个校验和，以后每一次DN进行block汇总的时候会再进行一次校验和的计算，如果两次校验和不一致则认为block块损坏了。

DataNode和NameNode心跳，默认三秒心跳一次，默认值可以调整
dfs.heartbeat.interval 3s

<property>
  <name>dfs.namenode.heartbeat.recheck-interval</name>
  <value>300000</value>单位毫秒
</property>
<property>
  <name> dfs.heartbeat.interval </name>
  <value>3</value>单位秒
</property>

修改此配置时需关闭HDFS，但是不需要重新格式化
心跳的作用有两个：1、检测DN是否活着 2、把NN让DN做的事情告诉DN

NN如何知道DN掉线 - 死亡 - 宕机了（掉线的时限）：NN如果在某一次心跳中没有收到DN的心跳，NN不会认为DN死亡了，而是会继续心跳，如果超过掉线的时限的时间还没有心跳成功，NN才会认为DN死亡了，然后启动备份恢复机制
掉线时限的时长是有一个计算公式：
timeout = 2 * dfs.namenode.heartbeat.recheck-interval + 10 * dfs.heartbeat.interval。
dfs.namenode.heartbeat.recheck-interval 心跳检测时间 5分钟
dfs.heartbeat.interval 心跳时间 3s
默认情况下，如果超过10min30s没有收到DN的心跳认为DN死亡了

DataNode每隔一段时间（默认6小时）会向NameNode汇报一次节点上所有的block块的信息
dfs.blockreport.intervalMsec 21600000ms 每隔6小时向NN汇报一次DN的block块的信息
dfs.datanode.directoryscan.interval 21600s 每隔6小时DN自己扫描一下DN上的block块信息

四、HDFS、YARN的新节点的服役和旧节点的退役 —— 在namenode所在节点的hadoop中配置

1、概念

HDFS是一个分布式文件存储系统，HDFS身为一个大数据软件，基本上都是7*24小时不停机的，那如果HDFS集群的容量不够用了，那么我们需要增加一个新的数据节点，因为HDFS不能停止，因此我们需要在HDFS集群运行过程中动态的增加一个数据节点（新节点的服役操作）；旧节点的退役。

2、新节点服役操作

服役新节点之前，需要创建一台新的虚拟节点，并且配置Java、Hadoop环境、SSH免密登录、ip、主机映射、主机名

1、在Hadoop的配置文件目录创建一个dfs.hosts文件，文件中声明Hadoop集群的从节点的主机名

2、在Hadoop的hdfs-site.xml文件中，增加一个配置项
dfs.hosts 值：文件的路径

<!--dfs.hosts代表改文件中的地址都为白名单，可以访问NameNode节点，与NameNode节点通信-->
<property>
  <name>dfs.hosts</name>
  <value>/opt/app/hadoop-3.1.4/etc/hadoop/dfs.hosts</value>
</property>

3、在HDFS开启的状态下刷新从节点的信息
hdfs dfsadmin -refreshNodes
yarn rmadmin -refreshNodes

4、只需要在新节点启动datanode和nodemanager即可成功实现节点的服役

hadoop-daemon.sh start datanode

hadoop-daemon.sh start nodemanager

3、旧节点退役操作（如果第一次增加退役文件，必须重启HDFS集群）

1、在Hadoop的配置目录创建一个文件dfs.hosts.exclude,文件中编写退役的主机名

2、在Hadoop的hdfs-site.xml配置文件中声明退役的节点文件
dfs.hosts.exclude 值文件的路径

<!--dfs.hosts.exculde文件代表namenode访问的黑名单  需要退役的数据节点
黑名单加入的数据节点如果也在dfs.hosts文件存在的话  不会立即退出 而是先把数据块转移到其他数据节点 然后再退役
-->
<property>
  <name>dfs.hosts.exclude</name>
  <value>/opt/app/hadoop-3.1.4/etc/hadoop/dfs.hosts.exclude</value>
</property>