HDFS元数据管理/磁盘清理维护-Toy模板网

这篇具有很好参考价值的文章主要介绍了HDFS元数据管理/磁盘清理维护。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。

元数据管理

1.元数据管理概述

> HDFS分类-类型分包括以下几部分

文件、目录自身的属性信息，例如文件名，目录名，修改信息等
文件记录的信息的存储相关的信息，例如存储块信息，分块情况，副本个数等
记录 HDFS 的 Datanode 的信息，用于 DataNode 的管理。

> 按形式分

内存元数据内存
元数据文件两种磁盘

> HDFS 磁盘上元数据文件分为两类，用于持久化存储：

fsimage 镜像文件：是元数据的一个持久化的检查点，包含 Hadoop 文件系统中的所有目录和文件元数据信息，但不包含文件块位置的信息。
Edits 编辑日志：存放的是 Hadoop 文件系统的所有更改操作（文件创建，删除或修改）的日志，文件系统客户端执行的更改操作首先会被记录到 edits 文件中。
> ps:所谓的持久化，就是将数据保存到硬盘中，使得在应用程序或机器重启后可以继续访问之前保存的数据

当客户端对 HDFS 中的文件进行新增或者修改操作，操作记录首先被记入 edits 日志文件中，
当客户端操作成功后，相应的元数据会更新到内存元数据中。因为 fsimage 文件一般都很大
（GB 级别的很常见），如果所有的更新操作都往 fsimage文件中添加，这样会导致系统运行的
十分缓慢。

HDFS 这种设计实现着手于：一是内存中数据更新、查询快，极大缩短了操作响应时间；
二是内存中元数据丢失风险颇高（断电等），因此辅佐元数据镜像文件（fsimage）+编辑日
志文件（edits）的备份机制进行确保元数据的安全。

2.元数据目录

在 Hadoop 的 HDFS 首次部署好配置文件之后，并不能马上启动使用，而是先要对文件系
统进行格式化。需要在 NameNode（NN）节点上进行如下的操作：

$HADOOP_HOME/bin/hdfs namenode –format

文件系统：此时的文件系统在物理上还不存在

格式化：格式化并不是指传统意义上的本地磁盘格式化，而是一些清除与准备工作。

> HDFS中文件块目录结构具体格式如下：

${dfs.datanode.data.dir}/ 
├── current 
│ ├── BP-526805057-127.0.0.1-1411980876842 
│ │ └── current 
│ │ ├── VERSION 
│ │ ├── finalized 
│ │ │ ├── blk_1073741825 
│ │ │ ├── blk_1073741825_1001.meta 
│ │ │ ├── blk_1073741826 
│ │ │ └── blk_1073741826_1002.meta 
│ │ └── rbw 
│ └── VERSION 
└── in_use.lock

目录在哪是在 hdfs-site.xml的dfs.namenode.name.dir指定可以是多个

> seen_txid：

$dfs.namenode.name.dir/current/seen_txid 非常重要，是存放 transactionId 的文
件，format 之后是 0，它代表的是 namenode 里面的 edits_*文件的尾数，namenode 重启的
时候，会按照 seen_txid的数字，循序从头跑 edits_0000001~到 seen_txid 的数字。所以
当你的 hdfs 发生异常重启的时候，一定要比对 seen_txid 内的数字是不是你 edits 最后的
尾数。

做完之后会在$dfs.namenode.name.dir/current创建文件结构：这个目录也正是 namenode 元数据相关的文件目录：

cat VERSION
 
namespaceID=1752067181
clusterID=cluster84
cTime=0
storageType=NAME_NODE
blockpoolID=BP-824456762-192.168.20.39-1508928616349
layoutVersion=-60

namespaceID/clusterID/blockpoolID:HDFS 集群的唯一标识符.防止 DataNodes 意外注册到另一个集群中的 namenode 上
storageType:说明这个文件存储的是什么进程的数据结构信息（如果是 DataNode，storageType=DATA_NODE）；
cTime:NameNode 存储系统创建时间，首次格式化文件系统这个属性是 0，当文件系统升级之后，该值会更新到升级之后的时间戳；
layoutVersion :表示 HDFS 永久性数据结构的版本信息，是一个负整数。

3.SecondaryNameNode：

> 这个出现的原因：
HDFS 集群运行一段事件后

edit logs 文件会变的很大，怎么去管理这个文件是一个挑战。
NameNode 重启会花费很长时间，因为有很多改动要合并到 fsimage 文件上。
如果 NameNode 挂掉了，那就丢失了一些改动。因为此时的 fsimage 文件非常旧。

作用：减小sedit logs文的件的大小和得到一个最新的fsimage
文件，减少在namenode上的压力。相当于windows的恢复功能（可以说是快照）
职责：它的职责是合并 NameNode的editlogs到fsimage文件中。

4.checkpoint

> 简介：

每达到触发条件，会由secondary namenode 将 namenode 上积累的所有 edits 和一个
最新的 fsimage 下载到本地，并加载到内存进行 merge（这个过程称为 checkpoint）

> Checkpoint 触发条件

dfs.namenode.checkpoint.period：两次连续的 checkpoint 之间的时间间隔。默认 1 小时
dfs.namenode.checkpoint.txns：最大的没有执行 checkpoint 事务的数量，满足将强制执行紧急 checkpoint，即使尚未达到检查点周期。默认设置为 100 万

拓展

1.hdfs oiv命令

命令hdfs oiv用于将fsimage,edits文件转换成其他格式的，如文本文件、XML文件。
> HDFS查看fsimage,edits

命令说明
> 必要参数

-i,–inputFile <arg>      输入FSImage文件.

-o,–outputFile <arg> 输出转换后的文件，如果存在，则会覆盖

> 可选参数：

-p,–processor <arg>   将FSImage文件转换成哪种格式:(Ls|XML|FileDistribution).默认为Ls.

-h,–help           显示帮助信息

hdfs oiv -i fsimage_0000000000016975189 -o 123.xml

hdfs oiv -i /var/lib/hadoop-yarn/test00001/data/fsimage_0000000000016975189  -o fsimage.txt

2.hadoop命令fsck命令

在HDFS中，提供了fsck命令，用于检查HDFS上文件和目录的健康状态、获取文件的block块信息和位置信息等。
> 具体命令介绍

- move: 移动损坏的文件到/lost+found目录下
- delete: 删除损坏的文件
- openforwrite: 输出检测中的正在被写的文件
- list-corruptfileblocks: 输出损坏的块及其所属的文件
- files: 输出正在被检测的文件
- blocks: 输出block的详细报告（需要和-files参数一起使用）
- locations: 输出block的位置信息（需要和-files参数一起使用）
- racks: 输出文件块位置所在的机架信息（需要和-files参数一起使用）

例如要查看HDFS中某个文件的block块的具体分布，可以这样写：

hadoop fsck /your_file_path -files -blocks -locations -racks

> 实例

$ hadoop fsck /qpf/yyd/test/job.properties -files -blocks  -locations -racks
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.
 
Connecting to namenode via http://yhml01cs002:50070/fsck?ugi=yarn&files=1&blocks=1&locations=1&racks=1&path=%2Fqpf%2Fyyd%2Ftest%2Fjob.properties
FSCK started by yarn (auth:SIMPLE) from /172.20.1.36 for path /qpf/yyd/test/job.properties at Mon Nov 05 18:39:04 CST 2018
/qpf/yyd/test/job.properties 276 bytes, 1 block(s):  OK
0. BP-824456762-192.168.20.39-1508928616349:blk_1074586437_845778 len=276 Live_repl=3 [/default/172.20.1.36:50010, /default/172.20.1.37:50010, /default/172.20.1.38:50010]
 
Status: HEALTHY
 Total size:    276 B
 Total dirs:    0
 Total files:    1
 Total symlinks:        0
 Total blocks (validated):    1 (avg. block size 276 B)
 Minimally replicated blocks:    1 (100.0 %)
 Over-replicated blocks:    0 (0.0 %)
 Under-replicated blocks:    0 (0.0 %)
 Mis-replicated blocks:        0 (0.0 %)
 Default replication factor:    3
 Average block replication:    3.0
 Corrupt blocks:        0
 Missing replicas:        0 (0.0 %)
 Number of data-nodes:        3
 Number of racks:        1
FSCK ended at Mon Nov 05 18:39:04 CST 2018 in 3 milliseconds
 
 
The filesystem under path '/qpf/yyd/test/job.properties' is HEALTHY

> 参数解释

0. 表示block个数；
BP-824456762-192.168.20.39-1508928616349:blk_1074586437_845778表示block id；
len=276 表示该文件块大小；
Live_repl=3 表示该block块的副本数；

3.datanode存储目录说明

current目录：真正存放block数据块文件的地方
tmp目录：这个目录主要临时存放一些正在写入的block数据文件，成功写入完成后这个临时文件就会从tmp目录移动到current目录。

> 其中subdir说明

[yarn@yhml01cs005 ~]$ cd /home/yhml01/dfs/dn/current/BP-824456762-192.168.20.39-1508928616349/current/finalized
 
[yarn@yhml01cs005 finalized]$ ll
total 164
drwxr-xr-x 258 hdfs hdfs 8192 Dec  5  2017 subdir0
drwxr-xr-x 258 hdfs hdfs 8192 Jan  9  2018 subdir1
drwxr-xr-x 258 hdfs hdfs 8192 Feb  8  2018 subdir2
 
[yarn@yhml01cs005 subdir1]$ ll
total 52176
-rw-r--r-- 1 hdfs hdfs   999018 Dec 18  2017 blk_1073824301
-rw-r--r-- 1 hdfs hdfs     7815 Dec 18  2017 blk_1073824301_83516.meta
-rw-r--r-- 1 hdfs hdfs  8042801 Dec 18  2017 blk_1073824302
-rw-r--r-- 1 hdfs hdfs    62843 Dec 18  2017 blk_1073824302_83517.meta
-rw-r--r-- 1 hdfs hdfs  4356708 Dec 18  2017 blk_1073824303
-rw-r--r-- 1 hdfs hdfs    34047 Dec 18  2017 blk_1073824303_83518.meta
-rw-r--r-- 1 hdfs hdfs  1483913 Dec 18  2017 blk_1073824304
-rw-r--r-- 1 hdfs hdfs    11603 Dec 18  2017 blk_1073824304_83519.meta
-rw-r--r-- 1 hdfs hdfs  8042801 Dec 18  2017 blk_1073824305

可以看到这个目录主要存放了block数据文件，block数据文件的命名规则是blk_$BLOCKID$,还有就是block文件的元数据文件，元数据文件的命名规则是：blk_$BLOCKID$_$时间戳$,同时大家可以看到很多累似subdir00命名的文件夹，这些文件夹其中存放的也是block数据文件及其元数据文件，hadoop规定每个目录存放的block数据文件个数是有限制的，达到限制之后就会新建sub子目录进行存放，这些sub子目录包括current目录，都会和一个FSDir对象对应。

ps:机器不同配置的目录不同（dfs.data.dir, dfs.datanode.data.dir配置）

磁盘清理维护

一、清理目录
1、执行sudo -u hdfs hadoop fs -du -h /
查询hdfs中各目录的占用的空间，进入占用最多的目录中（/tmp目录等）
2、找到目录/tmp/repay_prpjpolicypayment占用了大量空间
3、执行hdfs dfs -rm -r /tmp/repay_prpjpolicypayment删除此目录下的文件夹
4、删除的文件会被保存到/user/hdfs/.Trash，清空回收站即可

二、清空回收站
1.由于HDFS有回收站，删除文件会先放到回收站里边，如果着急释放空间，需要清理HDFS回收站
2、在删除HDFS文件时，可以使用命令：
hdfs dfs -rm -skipTrash /tmp/repay_prpjpolicypayment，文件就直接被删除，不会进入回收站（永久删除，无法恢复数据）
3、清空回收站命令：
hdfs dfs -expunge （回收站不会立即被清理，而是先Created trash checkpoint: /user/hdfs/.Trash/230309135102。显示的是一分钟后清除。）

按文件时间删除

文件按时间排序
ls -l --time-style=+%s | awk '{print $6,$7,$8,$9}' | sort -r -k1 | awk '{print $2}'

传入xargs删除
hdfs dfs -ls /tmp/datawarehouse/ | sort -r -k6,7 | head - 50 | awk '{print $6}' | xargs hdfs dfs -rm -r

current='2023-12-03'
hdfs dfs -ls /user/jmkx_data/hive_db/jmkx_data.db/ 
| awk -v current=$current '{if($6 > current ){print $8}}' 
| xargs hdfs dfs -rm -r -skipTrash

1.查看hdfs上文件夹下文件的个数
hadoop fs -cat /tmp/mc/'`default`'.db/stg_mh_lpdyrmyy_radinfo_pacsimages_mc_temp_mc_temp/* | gunzip -c | wc -l

2.查看hdfs上文件夹下文件的大小
hadoop fs -count -h /tmp/mc/'`default`'.db/stg_mh_lpdyrmyy_radinfo_pacsimages_mc_temp_mc_temp/

3.查看hdfs文件夹下文件按时间顺序排序
[bque@sdw3 ~]$ hadoop fs -ls /tmp/mc/'`default`'.db/stg_mh_lpdyrmyy_radinfo_pacsimages_mc_temp_mc_temp/ | sort -r -k6,7
-r决定正序逆序

阿里云EMR清理历史HDFS数据

日志文件：

Spark History Server：spark-history-server.log和spark-spark-org.apache.spark.deploy.history.HistoryServer*.out

Spark Thrift Server：spark-thrift-server.log和spark-spark-org.apache.spark.sql.hive.thriftserver.HiveThriftServer2*.out
Spark History Server
出现节点磁盘写满,检查后发现HDFS上的spark-history目录下有大量的数据

在EMR控制台Spark服务配置页面的spark-defaults.conf页签,修改spark.history.fs.cleaner.enabled的参数值为true,然后重启History Server服务。
您也可以手动清理HDFS服务/spark-history目录下最老的一部分作业数据。文章来源地址https://www.toymoban.com/news/detail-826060.html

到了这里，关于HDFS元数据管理/磁盘清理维护的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！