day07.HDFS学习
******HDFS基本概念篇******.HDFS前言设计思想
分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；
在大数据系统中作用：
为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务
重点概念：文件切块，副本存放，元数据
.HDFS的概念和特性首先，它是一个文件系统，用于存储文件，通过统一的命名空间——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；
重要特性如下：
（）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hadoop.x版本中是8M，老版本中是6M
（）HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data
（）目录结构及文件分块信息(元数据)的管理由namenode节点承担
——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）
（）文件的各个block的存储管理由datanode节点承担
----datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）
（5）HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改
(注：适合用来做数据分析，并不适合用来做网盘应用，因为，不便修改，延迟大，网络开销大，成本太高)
******HDFS基本操作篇******.HDFS的shell(命令行客户端)操作.HDFS命令行客户端使用HDFS提供shell命令行客户端，使用方法如下：
.命令行客户端支持的命令参数[-appendToFilelocalsrc...dst]
[-cat[-ignoreCrc]src...]
[-checksumsrc...]
[-chgrp[-R]GROUPPATH...]
[-chmod[-R]MODE[,MODE]...
OCTALMODEPATH...]
[-chown[-R][OWNER][:[GROUP]]PATH...]
[-copyFromLocal[-f][-p]localsrc...dst]
[-copyToLocal[-p][-ignoreCrc][-crc]src...localdst]
[-count[-q]path...]
[-cp[-f][-p]src...dst]
[-createSnapshotsnapshotDir[snapshotName]]
[-deleteSnapshotsnapshotDirsnapshotName]
[-df[-h][path...]]
[-du[-s][-h]path...]
[-expunge]
[-get[-p][-ignoreCrc][-crc]src...localdst]
[-getfacl[-R]path]
[-getmerge[-nl]srclocaldst]
[-help[cmd...]]
[-ls[-d][-h][-R][path...]]
[-mkdir[-p]path...]
[-moveFromLocallocalsrc...dst]
[-moveToLocalsrclocaldst]
[-mvsrc...dst]
[-put[-f][-p]localsrc...dst]
[-renameSnapshotsnapshotDiroldNamenewName]
[-rm[-f][-r
-R][-skipTrash]src...]
[-rmdir[--ignore-fail-on-non-empty]dir...]
[-setfacl[-R][{-b
-k}{-m
-xacl_spec}path]
[--setacl_specpath]]
[-setrep[-R][-w]reppath...]
[-stat[format]path...]
[-tail[-f]file]
[-test-[defsz]path]
[-text[-ignoreCrc]src...]
[-touchzpath...]
[-usage[cmd...]]
.常用命令参数介绍-help
功能：输出这个命令参数手册
-ls
功能：显示目录信息
示例：hadoopfs-lshdfs://hadoop-server0:/
备注：这些参数中，所有的hdfs路径都可以简写
--hadoopfs-ls/等同于上一条命令的效果
-mkdir
功能：在hdfs上创建目录
示例：hadoopfs-mkdir-p/aaa/bbb/cc/dd
-moveFromLocal
功能：从本地剪切粘贴到hdfs
示例：hadoopfs-moveFromLocal/home/hadoop/a.txt/aaa/bbb/cc/dd
-moveToLocal
功能：从hdfs剪切粘贴到本地
示例：hadoopfs-moveToLocal/aaa/bbb/cc/dd/home/hadoop/a.txt
--appendToFile
功能：追加一个文件到已经存在的文件末尾
示例：hadoopfs-appendToFile./hello.txthdfs://hadoop-server0:/hello.txt
可以简写为：
Hadoopfs-appendToFile./hello.txt/hello.txt
-cat
功能：显示文件内容
示例：hadoopfs-cat/hello.txt
-tail
功能：显示一个文件的末尾
示例：hadoopfs-tail/weblog/access_log.
-text
功能：以字符形式打印一个文件的内容
示例：hadoopfs-text/weblog/access_log.
-chgrp
-chmod
-chown
功能：linux文件系统中的用法一样，对文件所属权限
示例：
hadoopfs-chmod/hello.txt
hadoopfs-chownsomeuser:somegrp/hello.txt
-copyFromLocal
功能：从本地文件系统中拷贝文件到hdfs路径去
示例：hadoopfs-copyFromLocal./jdk.tar.gz/aaa/
-copyToLocal
功能：从hdfs拷贝到本地
示例：hadoopfs-copyToLocal/aaa/jdk.tar.gz
-cp
功能：从hdfs的一个路径拷贝hdfs的另一个路径
示例：hadoopfs-cp/aaa/jdk.tar.gz/bbb/jdk.tar.gz.
-mv
功能：在hdfs目录中移动文件
示例：hadoopfs-mv/aaa/jdk.tar.gz/
-get
功能：等同于copyToLocal，就是从hdfs下载文件到本地
示例：hadoopfs-get/aaa/jdk.tar.gz
-getmerge
功能：合并下载多个文件
示例：比如hdfs的目录/aaa/下有多个文件:log.,log.,log.,...
hadoopfs-getmerge/aaa/log.*./log.sum
-put
功能：等同于copyFromLocal
示例：hadoopfs-put/aaa/jdk.tar.gz/bbb/jdk.tar.gz.
-rm
功能：删除文件或文件夹
示例：hadoopfs-rm-r/aaa/bbb/
-rmdir
功能：删除空目录
示例：hadoopfs-rmdir/aaa/bbb/ccc
-df
功能：统计文件系统的可用空间信息
示例：hadoopfs-df-h/
-du
功能：统计文件夹的大小信息
示例：
hadoopfs-du-s-h/aaa/*
-count
功能：统计一个指定目录下的文件节点数量
示例：hadoopfs-count/aaa/
-setrep
功能：设置hdfs中文件的副本数量
示例：hadoopfs-setrep/aaa/jdk.tar.gz
******HDFS原理篇******.hdfs的工作机制（工作机制的学习主要是为加深对分布式系统的理解，以及增强遇到各种问题时的分析解决能力，形成一定的集群运维能力）
注：很多不是真正理解hadoop技术体系的人会常常觉得HDFS可用于网盘类应用，但实际并非如此。要想将技术准确用在恰当的地方，必须对技术有深刻的理解
.概述.HDFS集群分为两大角色：NameNode、DataNode(SecondaryNamenode)
.NameNode负责管理整个文件系统的元数据
.DataNode负责管理用户的文件数据块
.文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上
5.每一个文件块可以有多个副本，并存放在不同的datanode上
6.Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量
7.HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行
.HDFS写数据流程..概述客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本
..详细步骤图..详细步骤解析、根namenode通信请求上传文件，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
、client请求第一个block该传输到哪些datanode服务器上
、namenode返回个datanode服务器ABC
5、client请求台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完成，逐级返回客户端
6、client开始往A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，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答
7、当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。
..HDFS读数据流程..概述客户端将要读取的文件路径发送给namenode，namenode获取文件的元信息（主要是block的存放位置信息）返回给客户端，客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件
..详细步骤图..详细步骤解析、跟namenode通信查询元数据，找到文件块所在的datanode服务器
、挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流
、datanode开始发送数据（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，现在本地缓存，然后写入目标文件
5.NAMENODE工作机制学习目标：理解namenode的工作机制尤其是元数据管理机制，以增强对HDFS工作原理的理解，及培养hadoop集群运营中“性能调优”、“namenode”故障问题的分析解决能力
问题场景：
、集群启动后，可以查看文件，但是上传文件时报错，打开web页面可看到namenode正处于safemode状态，怎么处理？
、Namenode服务器的磁盘故障导致namenode宕机，如何挽救集群及数据？
、Namenode是否可以有多个？namenode内存要配置多大？namenode跟集群数据存储能力有关系吗？
、文件的blocksize究竟调大好还是调小好？
……
诸如此类问题的回答，都需要基于对namenode自身的工作原理的深刻理解
5.NAMENODE职责NAMENODE职责：
负责客户端请求的响应
元数据的管理（查询，修改）
5.元数据管理namenode对数据的管理采用了三种存储形式：
内存元数据(NameSystem)
磁盘元数据镜像文件
数据操作日志文件（可通过日志运算出元数据）
5..元数据存储机制A、内存中有一份完整的元数据(内存metadata)
B、磁盘有一个“准完整”的元数据镜像（fsimage）文件(在namenode的工作目录中)
C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志（edits文件）
注：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meta.data中
5..元数据手动查看可以通过hdfs的一个工具来查看edits中的信息
bin/hdfsoev-iedits-oedits.xml
bin/hdfsoiv-ifsimage_-pXML-ofsimage.xml
5..元数据的checkpoint每隔一段时间，会由secondarynamenode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的详细过程checkpoint操作的触发条件配置参数dfs.namenode.checkpoint.check.period=60#检查触发条件是否满足的频率，60秒
dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary
#以上两个参数做checkpoint操作时，secondarynamenode的本地工作目录
dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir}
dfs.namenode.checkpoint.max-retries=#最大重试次数
dfs.namenode.checkpoint.period=#两次checkpoint之间的时间间隔秒
dfs.namenode.checkpoint.txns=#两次checkpoint之间最大的操作记录
checkpoint的附带作用namenode和secondarynamenode的工作目录存储结构完全相同，所以，当namenode故障退出需要重新恢复时，可以从secondarynamenode的工作目录中将fsimage拷贝到namenode的工作目录，以恢复namenode的元数据
5..元数据目录说明在第一次部署好Hadoop集群的时候，我们需要在NameNode（NN）节点上格式化磁盘：
$HADOOP_HOME/bin/hdfsnamenode-format
格式化完成之后，将会在$dfs.namenode.name.dir/current目录下如下的文件结构
current/
--VERSION
--edits_*
--fsimage_
--fsimage_.md5
`--seen_txid
其中的dfs.name.dir是在hdfs-site.xml文件中配置的，默认值如下：
property
namedfs.name.dir/name
valuefile://${hadoop.tmp.dir}/dfs/name/value
/property
hadoop.tmp.dir是在core-site.xml中配置的，默认值如下
property
namehadoop.tmp.dir/name
value/tmp/hadoop-${user.name}/value
descriptionAbaseforothertemporarydirectories./description
/property
dfs.namenode.name.dir属性可以配置多个目录，
如/data/dfs/name,/data/dfs/name,/data/dfs/name,....。各个目录存储的文件结构和内容都完全一样，相当于备份，这样做的好处是当其中一个目录损坏了，也不会影响到Hadoop的元数据，特别是当其中一个目录是NFS（网络文件系统NetworkFileSystem，NFS）之上，即使你这台机器损坏了，元数据也得到保存。下面对$dfs.namenode.name.dir/current/目录下的文件进行解释。.VERSION文件是Java属性文件，内容大致如下：
#FriNov59:7:6CST0
namespaceID=
clusterID=CID-cdff7d7-9cd-78--0ae6dce96
cTime=0
storageType=NAME_NODE
blockpoolID=BP--9.68..7-
layoutVersion=-7
其中（）namespaceID是文件系统的唯一标识符，在文件系统首次格式化之后生成的；（）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表示NameNode存储时间的创建时间，由于我的NameNode没有更新过，所以这里的记录值为0，以后对NameNode升级之后，cTime将会记录更新时间戳；（）layoutVersion表示HDFS永久性数据结构的版本信息，只要数据结构变更，版本号也要递减，此时的HDFS也需要升级，否则磁盘仍旧是使用旧版本的数据结构，这会导致新版本的NameNode无法使用；（5）clusterID是系统生成或手动指定的集群ID，在-clusterid选项中可以使用它；如下说明
a.使用如下命令格式化一个Namenode：
$HADOOP_HOME/bin/hdfsnamenode-format[-clusterIdcluster_id]
选择一个唯一的cluster_id，并且这个cluster_id不能与环境中其他集群有冲突。如果没有提供cluster_id，则会自动生成一个唯一的ClusterID。
b.使用如下命令格式化其他Namenode：
$HADOOP_HOME/bin/hdfsnamenode-format-clusterIdcluster_id
c.升级集群至最新版本。在升级过程中需要提供一个ClusterID，例如：
$HADOOP_PREFIX_HOME/bin/hdfsstartnamenode--config$HADOOP_CONF_DIR-upgrade-clusterIdcluster_ID
如果没有提供ClusterID，则会自动生成一个ClusterID。
（6）blockpoolID：是针对每一个Namespace所对应的blockpool的ID，上面的这个BP--9.68..7-就是在我的ns的namespace下的存储块池的ID，这个ID包括了其对应的NameNode节点的ip地址。
、$dfs.namenode.name.dir/current/seen_txid非常重要
是存放transactionId的文件，format之后是0，它代表的是namenode里面的edits_*文件的尾数，namenode重启的时候，会按照seen_txid的数字，循序从头跑edits_~到seen_txid的数字。所以当你的hdfs发生异常重启的时候，一定要比对seen_txid内的数字是不是你edits最后的尾数，不然会发生建置namenode时metaData的资料有缺少，导致误删Datanode上多余Block的资讯。
、$dfs.namenode.name.dir/current目录下在format的同时也会生成fsimage和edits文件，及其对应的md5校验文件。
补充：seen_txid
文件中记录的是edits滚动的序号，每次重启namenode时，namenode就知道要将哪些edits进行加载edits
6.DATANODE的工作机制问题场景：
、集群容量不够，怎么扩容？
、如果有一些datanode宕机，该怎么办？
、datanode明明已启动，但是集群中的可用datanode列表中就是没有，怎么办？
以上这类问题的解答，有赖于对datanode工作机制的深刻理解
6.概述.Datanode工作职责：
存储管理用户的文件块数据
定期向namenode汇报自身所持有的block信息（通过心跳信息上报）
（这点很重要，因为，当集群中发生某些block副本失效时，集群如何恢复block初始副本数量的问题）
property
namedfs.blockreport.intervalMsec/name
value/value
descriptionDeterminesblockreportingintervalinmilliseconds./description
/property
.Datanode掉线判断时限参数
datanode进程死亡或者网络故障造成datanode无法与namenode通信，namenode不会立即把该节点判定为死亡，要经过一段时间，这段时间暂称作超时时长。HDFS默认的超时时长为0分钟+0秒。如果定义超时时间为timeout，则超时时长的计算公式为：
timeout=*heartbeat.recheck.interval+0*dfs.heartbeat.interval。
而默认的heartbeat.recheck.interval大小为5分钟，dfs.heartbeat.interval默认为秒。
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。所以，举个例子，如果heartbeat.recheck.interval设置为（毫秒），dfs.heartbeat.interval设置为（秒，默认），则总的超时时间为0秒。
property
nameheartbeat.recheck.interval/name
value/value
/property
property
namedfs.heartbeat.interval/name
value/value
/property
6.观察验证DATANODE功能上传一个文件，观察文件的block具体的物理存放情况：
在每一台datanode机器上的这个目录中能找到文件的切块：
/home/hadoop/app/hadoop-../tmp/dfs/data/current/BP-99-9.68..0-/current/finalized
******HDFS应用开发篇******
7.HDFS的java操作hdfs在生产应用中主要是客户端的开发，其核心步骤是从hdfs提供的api中构造一个HDFS的访问客户端对象，然后通过该客户端对象操作（增删改查）HDFS上的文件
7.搭建开发环境.引入依赖
dependencygroupIdorg.apache.hadoop/groupIdartifactIdhadoop-client/artifactIdversion.6./version/dependency注：如需手动引入jar包，hdfs的jar包----hadoop的安装目录的share下
.window下开发的说明
建议在linux下进行hadoop应用的开发，不会存在兼容性问题。如在window上做客户端应用开发，需要设置以下环境：
A、在windows的某个目录下解压一个hadoop的安装包
B、将安装包下的lib和bin目录用对应windows版本平台编译的本地库替换
C、在window系统中配置HADOOP_HOME指向你解压的安装包
D、在windows系统的path变量中加入hadoop的bin目录
7.获取api中的客户端对象在java中操作hdfs，首先要获得一个客户端实例
Configurationconf=newConfiguration()
FileSystemfs=FileSystem.get(conf)
而我们的操作目标是HDFS，所以获取到的fs对象应该是DistributedFileSystem的实例；
get方法是从何处判断具体实例化那种客户端类呢？
——从conf中的一个参数fs.defaultFS的配置值判断；
如果我们的代码中没有指定fs.defaultFS，并且工程classpath下也没有给定相应的配置，conf中的默认值就来自于hadoop的jar包中的core-default.xml，默认值为：file:///，则获取的将不是一个DistributedFileSystem的实例，而是一个本地文件系统的客户端对象
7.DistributedFileSystem实例对象所具备的方法7.HDFS客户端操作数据代码示例：7..文件的增删改查publicclassHdfsClient{
FileSystemfs=null;
Beforepublicvoidinit()throwsException{
//构造一个配置参数对象，设置一个参数：我们要访问的hdfs的URI
//从而FileSystem.get()方法就知道应该是去构造一个访问hdfs文件系统的客户端，以及hdfs的访问地址
//newConfiguration();的时候，它就会去加载jar包中的hdfs-default.xml
//然后再加载classpath下的hdfs-site.xml
Configurationconf=newConfiguration();
conf.set("fs.defaultFS","hdfs://hdp-node0:");
/**
*参数优先级：、客户端代码中设置的值、classpath下的用户自定义配置文件、然后是服务器的默认配置
*/
conf.set("dfs.replication","");
//获取一个hdfs的访问客户端，根据参数，这个实例应该是DistributedFileSystem的实例
//fs=FileSystem.get(conf);
//如果这样去获取，那conf里面就可以不要配"fs.defaultFS"参数，而且，这个客户端的身份标识已经是hadoop用户
fs=FileSystem.get(newURI("hdfs://hdp-node0:"),conf,"hadoop");
}
/**
*往hdfs上传文件
*
*
throwsException*/
TestpublicvoidtestAddFileToHdfs()throwsException{
//要上传的文件所在的本地路径
Pathsrc=newPath("g:/redis-re北京中科白癜风医院怎么样北京白癜风医院在哪