【大数据】Hadoop （二） HDFS
课程链接：
尚硅谷大数据Hadoop 3.x（入门搭建+安装调优）_哔哩哔哩_bilibili
(Hadoop到底是干什么用的？ - 知乎 (zhihu.com)
资料
Hadoop中文文档 (apache.org)
第 1 章 HDFS 概述
1.1 HDFS 产出背景及定义
1、HDFS 产生背景
随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS 只是分布式文件管理系统中的一种。
2、HDFS 定义
HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。
3、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。
1.2 HDFS 优缺点
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。
2、适合处理大数据
- 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；
- 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。
3、可构建在廉价机器上，通过多副本机制，提高可靠性
HDFS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。
- 存储大量小文件的话，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；
- 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
3、不支持并发写入、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。
1.3 HDFS 组成架构
1、NameNode（nn）：就是Master，它是一个主管、管理者。
- 管理HDFS的名称空间；
- 配置副本策略；
- 管理数据块（Block）映射信息；
- 处理客户端读写请求。
2、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。
3、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，然后进行上传；
- 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NameNode格式化；
- 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：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，比如定期合并Fsimage和Edits，并推送给NameNode ；
- 在紧急情况下，可辅助恢复NameNode。
1.4 HDFS 文件块大小（面试重点）
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。
思考：
为什么块的大小不能设置太小，也不能设置太大？
（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；
（2）如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。
机器硬盘 100M/s =>设置 块的大小为128M ，固态硬盘 200M/s =>设置 块的大小为156
总结：HDFS块的大小设置主要取决于磁盘传输速率。
第 2 章 HDFS 的 Shell 操作（开发重点）
基本语法
hadoop fs 具体命令 或 hdfs dfs 具体命令 两个是完全相同的。
命令大全
[root@hadoop102 ~]$ hadoop fs
Usage: hadoop fs [generic options][-appendToFile <localsrc> ... <dst>][-cat [-ignoreCrc] <src> ...][-checksum <src> ...]
# ...
常用命令实操
2.1 准备工作
1）启动 Hadoop 集群（方便后续的测试）
[root@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[root@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
2）-help：输出这个命令参数
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -help rm
3）创建/sanguo 文件夹
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /mytest
2.2上传
1、-moveFromLocal：从本地剪切粘贴到 HDFS
$ hadoop fs -moveFromLocal mytest/test.txt /mytest
[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
Hello Hadoop
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -moveFromLocal mytest/test.txt /mytest
2022-02-18 20:42:29,398 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
cat: mytest/test.txt: No such file or directory
2、-copyFromLocal：从本地文件系统中拷贝文件到 HDFS 路径去
$ hadoop fs -copyFromLocal mytest/test.txt /mytest
[root@hadoop102 hadoop-3.1.3]$ echo "Hello Hadoop" >> mytest/test.txt
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -rm /mytest/test.txt
Deleted /mytest/test.txt
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -copyFromLocal mytest/test.txt /mytest
2022-02-18 20:45:52,754 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
Hello Hadoop
4、-put：等同于 copyFromLocal，生产环境更习惯用 put
$ hadoop fs -put mytest/test.txt /mytest
5、-appendToFile：追加一个文件到已经存在的文件末尾
[root@hadoop102 hadoop-3.1.3]$ echo "一个平凡de人" >> mytest/test2.txt
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop fs -appendToFile mytest/test2.txt /mytest/test.txt
- File contents
Hello Hadoop
一个平凡de人
2.3.3 下载
1、-copyToLocal：从 HDFS 拷贝到本地
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal /mytest/test.txt mytest
2022-02-18 20:52:12,853 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
[root@hadoop102 hadoop-3.1.3]$ cat mytest/test.txt
Hello Hadoop
一个平凡de人
2、-get：等同于 copyToLocal，生产环境更习惯用 get
$ hadoop fs -get /mytest/test.txt mytest
2.4 HDFS 直接操作
1、-ls: 显示目录信息
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -ls /mytest
Found 1 items
-rw-r--r-- 3 root supergroup 31 2022-02-18 20:48 /mytest/test.txt
2、-cat：显示文件内容
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -cat /mytest/test.txt
2022-02-18 20:54:05,064 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
Hello Hadoop
一个平凡de人
3、-chgrp、-chmod、-chown：Linux 文件系统中的用法一样，修改文件所属权限
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -chmod 777 /mytest/test.txt
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -chown root:root /mytest/test.txt
4、-mkdir：创建路径
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /mytest02
5、-cp：从 HDFS 的一个路径拷贝到 HDFS 的另一个路径
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -cp /mytest/test.txt /mytest02
6、-mv：在 HDFS 目录中移动文件
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /mytest02/test.txt /
7、-tail：显示一个文件的末尾 1kb 的数据
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -tail /mytest/test.txt
8、-rm：删除文件或文件夹
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -rm /mytest/test.txt
9、-rm -r：递归删除目录及目录里面内容
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /mytest
10、-du 统计文件夹的大小信息
[root@hadoop102 ~]$ hadoop fs -du -s -h /mytest
31 93 /mytest
[root@hadoop102 ~]$ hadoop fs -du -h /mytest
31 93 /mytest/test.txt
说明：27 表示文件大小；81 表示 27*3 个副本；/mytest表示查看的目录
11、-setrep：设置 HDFS 中文件的副本数量
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -setrep 4 /mytest/test.txt
这里设置的副本数只是记录在 NameNode 的元数据中，是否真的会有这么多副本，还得看 DataNode 的数量。因为目前只有 3 台设备，最多也就 3 个副本，只有节点数的增加到 10台时，副本数才能达到 10。
第 3 章 HDFS 的 API 操作
windows 远程访问和操作 集群
3.1 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-3.1.0 到非中文路径。
H:\Web-tool\hadoop-3.1.0\bin
2、配置 HADOOP_HOME 环境变量
%HADOOP_HOME%\bin
3、验证 Hadoop 环境变量是否正常。双击 winutils.exe，如果报如下错误。说明缺少微软运行库（正版系统往往有这个问题）。再资料包里面有对应的微软运行库安装包双击安装即可。
4、在 IDEA 中创建一个 Maven 工程 HdfsClientDemo，并导入相应的依赖坐标+日志添加
<dependencies><dependency><groupId>org.apache.hadoop</groupId><artifactId>hadoop-client</artifactId><version>3.1.3</version></dependency><dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.12</version></dependency><dependency><groupId>org.slf4j</groupId><artifactId>slf4j-log4j12</artifactId><version>1.7.30</version></dependency>
</dependencies>
5、在项目的 src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在文件中填入
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
6、创建包名：com.atguigu.hdfs
7、创建 HdfsClient 类
package com.atguigu.hdfs;import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.junit.Test;
import java.net.URI;/*** 客户端代码* 1、获得客户端代码* 2、执行修改操作命令* 3、关闭资源* */
public class HdfsClient {@Testpublic void testMkdirs() throws java.io.IOException, java.net.URISyntaxException,InterruptedException {// 连接的集群nn地址URI uri = new URI("hdfs://hadoop102:8020");// 创建一个配置文件Configuration configuration = new Configuration();// 配置windows hadoop 的地址System.setProperty("hadoop.home.dir", "H:/Web-tool/hadoop-3.1.0/");// 配置用户String user = "root";// 1 获取到了客户端对象FileSystem fs = FileSystem.get(uri, configuration, user);// 2 创建目录fs.mkdirs(new Path("/mydict"));// 3 关闭资源fs.close();}
}
- 运行
8、客户端去操作 HDFS 时，是有一个用户身份的。默认情况下，HDFS 客户端 API 会从采 用 Windows 默认用户访问 HDFS，会报权限异常错误。所以在访问 HDFS 时，一定要配置用户。
9、HdfsClient 之后要导入的包
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;
import org.junit.After;
import org.junit.Before;
import org.junit.Test;import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
import java.nio.ByteBuffer;
import java.util.Arrays;
3.2 HDFS 的 API 案例实操
3.2.1 创建客户端对象类
HdfsClient 类中
public class HdfsClient {private FileSystem fs;@Beforepublic void init() throws URISyntaxException, IOException, InterruptedException {// 连接的集群nn地址URI uri = new URI("hdfs://hadoop102:8020");// 创建一个配置文件Configuration configuration = new Configuration();// 配置windows hadoop 的地址System.setProperty("hadoop.home.dir", "H:/Web-tool/hadoop-3.1.0/");// 用户String user = "root";// 1 获取到了客户端对象fs = FileSystem.get(uri, configuration, user);}@Afterpublic void close() throws IOException {// 3 关闭资源fs.close();}
}
@Before 运行开始自动执行
@After 运行结束之前自动执行
3.2.1 HDFS 文件上传
HDFS 文件上传
1、 org.apache.hadoop.fs.FileSystem 的 同名方法copyFromLocalFile不同参数
public void copyFromLocalFile(boolean delSrc, Path src, Path dst) throws IOException {this.copyFromLocalFile(delSrc, true, src, dst);
}public void copyFromLocalFile(boolean delSrc, boolean overwrite, Path[] srcs, Path dst) throws IOException {Configuration conf = this.getConf();FileUtil.copy(getLocal(conf), srcs, this, dst, delSrc, overwrite, conf);
}public void copyFromLocalFile(boolean delSrc, boolean overwrite, Path src, Path dst) throws IOException {Configuration conf = this.getConf();FileUtil.copy(getLocal(conf), src, this, dst, delSrc, overwrite, conf);
}public void copyToLocalFile(Path src, Path dst) throws IOException {this.copyToLocalFile(false, src, dst);
}
2、HdfsClient 类中测试
@Test
public void testPut() throws IOException{// 上传文件fs.copyFromLocalFile(new Path("H:/Desktop/test.txt"),new Path("/mydict"));
}
3、org.apache.hadoop.fs.FileSystem 的 文件移动方法 使用文件上传的方法
public void moveToLocalFile(Path src, Path dst) throws IOException {this.copyToLocalFile(true, src, dst);
}
3.2.3 测试参数优先级
参数优先级 参数优先级排序：
（1）客户端代码中设置的值 >（2）ClassPath 下的用户自定义配置文件 >
（3）然后是服务器的自定义配置（xxx-site.xml）>（4）服务器的默认配置（xxx-default.xml）
配置副本数量
1、将 hdfs-site.xml 拷贝到项目的 resources 资源目录
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><property><name>dfs.replication</name><value>1</value></property>
</configuration>
2、运行
@Test
public void testCopyFromLocalFile() throws IOException{// 上传文件 delSrc:是否删除源文件 overweite:是否覆盖写fs.copyFromLocalFile(false,true,new Path("H:/Desktop/test.txt"),new Path("/mytest"));
}
3、客户端代码中设置的值
// 创建一个配置文件
Configuration configuration = new Configuration();
// 配置副本数量
configuration.set("dfs.replication", "2");
3.2.4 HDFS 文件下载
copyToLocalFile
@Test
public void testGet() throws IOException{// 执行下载操作// boolean delSrc 指是否将原文件删除// Path src 指要下载的文件路径// Path dst 指将文件下载到的路径// boolean useRawLocalFileSystem 是否开启文件校验fs.copyToLocalFile(false, new Path("/mydict/test.txt"), new Path("H:/Desktop/Mydict/test.txt"), true);
}
3.2.5 HDFS 文件更名和移动
// 修改文件名称
fs.rename(new Path("/mydict/test.txt"), new Path("/mydict/test02.txt"));
3.2.6 HDFS 文件详情查看
查看所有文件名称、权限、长度、块信息
@Test
public void testListFiles() throws IOException{// 获取文件详情RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"),true);while (listFiles.hasNext()) {LocatedFileStatus fileStatus = listFiles.next();System.out.println("========" + fileStatus.getPath() + "=========");System.out.println(fileStatus.getPermission());System.out.println(fileStatus.getOwner());System.out.println(fileStatus.getGroup());System.out.println(fileStatus.getLen());System.out.println(fileStatus.getModificationTime());System.out.println(fileStatus.getReplication());System.out.println(fileStatus.getBlockSize());System.out.println(fileStatus.getPath().getName());// 获取块信息BlockLocation[] blockLocations = fileStatus.getBlockLocations();System.out.println(Arrays.toString(blockLocations));}
}
3.2.7 HDFS 文件和文件夹判断
// 判断是文件还是文件夹
FileStatus[] listStatus = fs.listStatus(new Path("/"));
for (FileStatus fileStatus : listStatus) {// 如果是文件if (fileStatus.isFile()) {System.out.println("文件:"+fileStatus.getPath().getName());}else {System.out.println("文件夹:"+fileStatus.getPath().getName());}
}
第 4 章 HDFS 的读写流程（面试重点）
4.1 HDFS 写数据流程
4.1.1 剖析文件写入
写数据流程图
（1）客户端通过 Distributed FileSystem (分布式文件系统)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 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。
（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）。
4.1.2 网络拓扑-节点距离计算
在 HDFS 写数据的过程中，NameNode 会选择距离待上传数据最近距离的 DataNode 接收数据。那么这个最近距离怎么计算呢？
节点距离：两个节点到达最近的共同祖先的距离总和。
设有数据中心 d1 机架 r1 中的节点 n1。该节点可以表示为/d1/r1/n1。利用这种标记，这里给出四种距离描述。
4.1.3 机架感知（副本存储节点选择）
1、机架感知说明
（1）官方说明
Apache Hadoop 3.1.3 – HDFS Architecture
（2）源码说明 Crtl + n 查找 BlockPlacementPolicyDefault，在该类中查找 chooseTargetInOrder 方法。
4.2 HDFS 读数据流程
读数据流程图
（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）。
（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
串行读取不支持并发
第 5 章 NameNode 和 SecondaryNameNode(了解)
5.1 NN 和 2NN 工作机制
思考：NameNode 中的元数据是存储在哪里的？
首先，我们做个假设，如果存储在 NameNode 节点的磁盘中，因为经常需要进行随机访问，还有响应客户请求，必然是效率过低。因此，元数据需要存放在内存中。但如果只存在内存中，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（镜像文件）。这样又会带来新的问题，当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，一旦 NameNode 节点断电，就会产生数据丢失。
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。
但是，如果长时间添加数据到 Edits 中，会导致该文件数据过大，效率降低，而且一旦断电，恢复元数据需要的时间过长。因此，需要定期进行 FsImage 和 Edits 的合并，如果这个操作由NameNode节点完成，又会效率过低。因此，引入一个新的节点SecondaryNamenode，专门用于 FsImage 和 Edits 的合并（引入2nn的原因）。
- Edits 文件 和 FsImage 文件
[root@hadoop102 current]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/name/current
[root@hadoop102 current]$ ls
edits_0000000000000000001-0000000000000000002 edits_0000000000000000375-0000000000000000376
edits_0000000000000000003-0000000000000000220 edits_0000000000000000377-0000000000000000405
edits_0000000000000000221-0000000000000000315 edits_0000000000000000406-0000000000000000447
edits_0000000000000000316-0000000000000000316 edits_0000000000000000448-0000000000000000460
edits_0000000000000000317-0000000000000000318 edits_0000000000000000461-0000000000000000461
edits_0000000000000000319-0000000000000000320 edits_inprogress_0000000000000000462
edits_0000000000000000321-0000000000000000321 fsimage_0000000000000000460
edits_0000000000000000322-0000000000000000322 fsimage_0000000000000000460.md5
edits_0000000000000000323-0000000000000000324 fsimage_0000000000000000461
edits_0000000000000000325-0000000000000000337 fsimage_0000000000000000461.md5
edits_0000000000000000338-0000000000000000338 seen_txid
edits_0000000000000000339-0000000000000000340 VERSION
edits_0000000000000000341-0000000000000000374
NN 和 2NN 工作机制
1、第一阶段：nn(NameNode) 启动
（1）第一次启动 nn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）nn记录操作日志，更新滚动日志。
（4）nn在内存中对元数据进行增删改。
2、第二阶段：2nn(Secondary NameNode) 工作
（1）2nn询问 nn是否需要 CheckPoint。直接带回 NameNode是否检查结果。
（2）2nn 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 2nn。
（5）2nn 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）nn将 fsimage.chkpoint 重新命名成 fsimage。
5.2 Fsimage 和 Edits 解析
5.2.1 Fsimage 和 Edits 解析
1、NameNode被格式化之后，将在data/dfs/name/current目录中产生如下文件
[root@hadoop102 current]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/name/current
[root@hadoop102 current]$ ls
edits_0000000000000000001-0000000000000000002
# ...
edits_inprogress_0000000000000000462 # 462
fsimage_0000000000000000460
# ...
fsimage_0000000000000000461.md5
seen_txid
VERSION
（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
[root@hadoop102 current]$ cat seen_txid
462
（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。
5.2.2 oiv 查看 Fsimage 文件
将在data/dfs/name/current目录中
（1）查看 oiv 和 oev 命令
[root@hadoop102 current]$ hdfs
oiv apply the offline fsimage viewer to an fsimage
oev apply the offline edits viewer to an edits file
# Oiv应用脱机的fimage查看器到一个fimage
# Oev将脱机编辑查看器应用于编辑文件
(2) 基本语法
hdfs oiv -p 文件类型 -i 镜像文件 -o 转换后文件输出路径
（3）案例实操
将显示的 xml 文件内容拷贝到 Idea 中创建的 xml 文件中，并格式化。
$ hdfs oiv -p XML -i fsimage_0000000000000000468 -o /opt/module/hadoop-3.1.3/fsimage.xml
- 下载xml文件，进行分析(sz下载，rz上传)
[root@hadoop102 current]$ sz /opt/module/hadoop-3.1.3/fsimage.xml
- 部分显示结果如下 （用xml文档结构表示文件上下级的关系）
<!-- ... -->
<!-- 根目录 -->
<inode><!-- 根目录id:16385 --><id>16385</id><type>DIRECTORY</type><name></name><mtime>1645255875342</mtime><permission>root:supergroup:0755</permission><nsquota>9223372036854775807</nsquota><dsquota>-1</dsquota>
</inode>
<!-- ... -->
<!-- mydict -->
<inode><!-- mydict的id 16487 --><id>16487</id> <type>DIRECTORY</type><name>mydict</name><mtime>1645245385132</mtime><permission>root:supergroup:0755</permission><nsquota>-1</nsquota><dsquota>-1</dsquota>
</inode><!-- test02.txt -->
<inode><!-- test02.txt 的id 16491 --><id>16491</id><type>FILE</type><name>test02.txt</name><replication>2</replication><mtime>1645242633401</mtime><atime>1645242633212</atime><preferredBlockSize>134217728</preferredBlockSize><permission>root:supergroup:0644</permission><blocks><block><id>1073741877</id><genstamp>1054</genstamp><numBytes>6</numBytes></block></blocks><storagePolicyId>0</storagePolicyId>
</inode>
<!-- ... --><INodeDirectorySection><directory><!-- 根目录id:16385 --><parent>16385</parent><!-- mydict的id 16487 --><child>16487</child><child>16492</child><child>16472</child></directory><!-- mydict的id 16487 --><directory><parent>16487</parent><!-- test02.txt 的id 16491 --><child>16491</child></directory><!-- ... -->
</INodeDirectorySection>
思考
可以看出，Fsimage 中没有记录块所对应 DataNode，为什么？
在集群启动后，要求 DataNode 上报数据块信息，并间隔一段时间后再次上报。
5.2.3 oev 查看 Edits 文件
将在data/dfs/name/current目录中
（1）基本语法
hdfs oev -p 文件类型 -i 编辑日志 -o 转换后文件输出路径
（2）案例实操
- 上传文件
$ hadoop fs -copyFromLocal mytest/test.txt /
[root@hadoop102 current]$ hdfs oev -p XML -i edits_inprogress_0000000000000000472 -o /opt/module/hadoop-3.1.3/edits.xml
[root@hadoop102 current]$ cat /opt/module/hadoop-3.1.3/edits.xml
- 将显示的 xml 文件内容拷贝到 Idea 中创建的 xml 文件中，并格式化。显示结果如下。
<RECORD><!-- OP_RENAME_OLD 删拷贝操作 --><OPCODE>OP_RENAME_OLD</OPCODE><DATA><TXID>479</TXID><LENGTH>0</LENGTH><SRC>/test.txt._COPYING_</SRC><DST>/test.txt</DST><TIMESTAMP>1645267864345</TIMESTAMP><RPC_CLIENTID>8bf71733-1ca7-4913-9cfd-fb493e14e036</RPC_CLIENTID><RPC_CALLID>8</RPC_CALLID></DATA>
</RECORD>
- 删除操作对应内容
[root@hadoop102 current]$ hadoop fs -rm /test.txt
Deleted /test.txt
<RECORD><!-- OP_DELETE 删除操作(OP:操作) --><OPCODE>OP_DELETE</OPCODE> <DATA><TXID>480</TXID><LENGTH>0</LENGTH><PATH>/test.txt</PATH><TIMESTAMP>1645268092090</TIMESTAMP><RPC_CLIENTID>1b6ff5d4-91b9-4f62-9dc9-303d1f6f9bf6</RPC_CLIENTID><RPC_CALLID>3</RPC_CALLID></DATA>
</RECORD>
思考：NameNode 如何确定下次开机启动的时候合并哪些 Edits？
5.3 CheckPoint 时间设置
1、通常情况下，SecondaryNameNode 每隔一小时执行一次
[root@hadoop102 hadoop-3.1.3]$ find -name hdfs-default.xml
./share/doc/hadoop/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml
- hdfs-default.xml 文件
<property><name>dfs.namenode.checkpoint.period</name><!-- 每隔一小时执行一次 --><value>3600s</value> <description>[翻译]两个定期检查点之间的秒数。如所述，支持多个时间单位后缀(不区分大小写)在dfs.heartbeat.interval。 </description>
</property>
2、一分钟检查一次操作次数，当操作次数达到 1 百万时，SecondaryNameNode 执行一次。
<property><name>dfs.namenode.checkpoint.txns</name><value>1000000</value><description>操作动作次数</description>
</property><property><name>dfs.namenode.checkpoint.check.period</name><value>60s</value><description> 1 分钟检查一次操作次数</description>
</property>
第 6 章 DataNode
6.1 DataNode 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。
（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。
- DN 向 NN 汇报当前解读信息的时间间隔，默认 6 小时；
<property><name>dfs.blockreport.intervalMsec</name><value>21600000</value><description>Determines block reporting interval in milliseconds.</description>
</property>
- DN 扫描自己节点块信息列表的时间，默认 6 小时
<property><name>dfs.datanode.directoryscan.interval</name><value>21600s</value><description>Interval in seconds for Datanode to scan data directories and reconcile the difference between blocks in memory and on the disk.Support multiple time unit suffix(case insensitive), as describedin dfs.heartbeat.interval.</description>
</property>
（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+30s 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。
6.2 数据完整性
思考：如果电脑磁盘里面存储的数据是控制高铁信号灯的红灯信号（1）和绿灯信号（0），
但是存储该数据的磁盘坏了，一直显示是绿灯，是否很危险？同理 DataNode 节点上的数据损坏了，却没有发现，是否也很危险，那么如何解决呢？
DataNode 节点保证数据完整性的方法
（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）常见的算法 crc（32），md5（128），sha1（160）
（5）DataNode 在其文件创建后周期验证 CheckSum。
crc校验:之前java api 下载的crc 文件就是用于crc校验
@Test
public void testGet() throws IOException{// 执行下载操作// boolean useRawLocalFileSystem 是否开启文件校验 (crc校验)fs.copyToLocalFile(false, new Path("/mydict/test.txt"), new Path("H:/Desktop/Mydict/test.txt"), true);
}
6.3 掉线时限参数设置
需要注意的是 hdfs-site.xml 配置文件中的 heartbeat.recheck.interval 的单位为毫秒，
dfs.heartbeat.interval 的单位为秒。
<property><name>dfs.namenode.heartbeat.recheck-interval</name><value>300000</value>
</property>
<property><name>dfs.heartbeat.interval</name><value>3</value>
</property>
de 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。
6.2 数据完整性
思考：如果电脑磁盘里面存储的数据是控制高铁信号灯的红灯信号（1）和绿灯信号（0），
但是存储该数据的磁盘坏了，一直显示是绿灯，是否很危险？同理 DataNode 节点上的数据损坏了，却没有发现，是否也很危险，那么如何解决呢？
DataNode 节点保证数据完整性的方法
（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）常见的算法 crc（32），md5（128），sha1（160）
（5）DataNode 在其文件创建后周期验证 CheckSum。
crc校验:之前java api 下载的crc 文件就是用于crc校验
@Test
public void testGet() throws IOException{// 执行下载操作// boolean useRawLocalFileSystem 是否开启文件校验 (crc校验)fs.copyToLocalFile(false, new Path("/mydict/test.txt"), new Path("H:/Desktop/Mydict/test.txt"), true);
}
[外链图片转存中…(img-0rrsGMyx-1645274433095)]
6.3 掉线时限参数设置
[外链图片转存中…(img-4GE7VzeX-1645274433096)]
需要注意的是 hdfs-site.xml 配置文件中的 heartbeat.recheck.interval 的单位为毫秒，
dfs.heartbeat.interval 的单位为秒。
<property><name>dfs.namenode.heartbeat.recheck-interval</name><value>300000</value>
</property>
<property><name>dfs.heartbeat.interval</name><value>3</value>
</property>
【大数据】Hadoop （二） HDFS相关推荐
- 从零开始大数据--Hadoop、HDFS、MapReduce、HBase、Hive
文章目录 概述 Hadoop HDFS HBase 实现原理 Regin服务器原理 HBase安装与使用 NoSQL数据库 MapReduce Hive 概述 IT领域每隔十五年就会迎来一次重大变革: ...
- 大数据Hadoop之HDFS和MapReduce_02_01
Hadoop 主要由HDFS和MapReduce 引擎两部分组成.最底部是HDFS,它存储hadoop集群中所有存储节点上的文件.HDFS 的上一层是MapReduce 引擎,该引擎由JobTrack ...
- java基础巩固-宇宙第一AiYWM：为了维持生计，大数据Hadoop之HDFS分布式文件系统（HDFS读写流程、主从集群两种问题“单点故障”及“压力过大内存受限”、HDFS的架构设计）~整起
Hadoop之HDFS 目录 一.大数据 二.HADOOP 三.HDFS 1.HDFS基本概念 2.HDFS的架构设计 3.HDFS自己对于上面两种数据持久化技术的实现: 4.HDFS读写流程 5.H ...
- (超详细)大数据Hadoop之HDFS组件
一. HDFS简介 1.1 HDFS的概述 在Hadoop生态圈中,HDFS属于底层基础,负责存储文件. 1.2 HDFS产生背景 HDFS全称为Hadoop Distributed File Sys ...
- 大数据Hadoop之——总结篇
文章目录 一.前言 二.Hadoop 1)HDFS常见操作 1.HDFS服务启停命令 2.常见文件操作命令 3.安全模式操作命令 4.数据平衡常见操作命令 5.处理小文件常见操作命令 6.HDFS N ...
- 2021年大数据Hadoop（二十九）：关于YARN常用参数设置
全网最详细的Hadoop文章系列,强烈建议收藏加关注! 后面更新文章都会列出历史文章目录,帮助大家回顾知识重点. 目录 本系列历史文章 前言 关于yarn常用参数设置 设置container分配最小内 ...
- 2021年大数据Hadoop（二十七）：YARN运行流程
全网最详细的Hadoop文章系列,强烈建议收藏加关注! 后面更新文章都会列出历史文章目录,帮助大家回顾知识重点. 目录 本系列历史文章 前言 Yarn运行流程 本系列历史文章 2021年大数据Hado ...
- 2021年大数据Hadoop（二十六）：YARN三大组件介绍
全网最详细的Hadoop文章系列,强烈建议收藏加关注! 后面更新文章都会列出历史文章目录,帮助大家回顾知识重点. 目录 本系列历史文章 前言 Yarn三大组件介绍 ResourceManager No ...
- 2021年大数据Hadoop（二十五）：YARN通俗介绍和基本架构
全网最详细的Hadoop文章系列,强烈建议收藏加关注! 后面更新文章都会列出历史文章目录,帮助大家回顾知识重点. 目录 本系列历史文章 前言 YARN通俗介绍和基本架构 Yarn通俗介绍 Yarn基本 ...
- 2021年大数据Hadoop（二十二）：MapReduce的自定义分组
全网最详细的Hadoop文章系列,强烈建议收藏加关注! 后面更新文章都会列出历史文章目录,帮助大家回顾知识重点. 目录 本系列历史文章 前言 MapReduce的自定义分组 需求 分析 实现 第一步: ...
最新文章
- mysql物理读和逻辑读,SQL Server中STATISTICS IO物理读和逻辑读的误区
- java:volatile,instanceof,strictfp关键字
- Bit-Z CEO长顺入围2018中国经济潮流人物
- 「Python」pycharm多项目虚拟环境切换
- 你多久更新一次简历，决定了你的收入多久能提升
- centos6.5安装bugzilla超详细教程
- MySQL后初次密码_mysql第一次安装成功后初始化密码操作步骤
- 清除90天苹果充值记录_王者荣耀安卓可以转到苹果吗？角色迁移iOS怎么转移到安卓...
- 两个特征是独立好还是正相关好_【概率论与数理统计】第5期：随机变量的数字特征...
- 视频剪辑软件到底哪个功能强？容易上手并且不要钱的？
- expec不管异常 try_java – 如何使用ExpectedException规则在一个测试中测试多个异常？...
- ES6新特性总结之解构赋值和字符串模板
- net如何在aspx页面中将html页面快速的加入runat,asp.net中在aspx.cs向aspx页面写代码有哪几种方法?...
- ESP8266-Arduino编程实例-SHT40温湿度传感器驱动
- 6 数据的表现形式常量以及常量的几种类型
- 深度学习硬件环境配置
- 将格林威治时间转换为北京时间
- 解决windows10 时间轴灰色的活动历史记录无法删除的问题
- Oracle 报 “ORA-00054 资源正忙, 但指定以 NOWAIT 方式获取资源, 或者超时失效” 问题的解决方法
- 安卓讲课笔记2.1Activity概述——上机操作