大数据之HDFS详解（概念和特性、客户端命令行、读写数据的流程等）

总算有空来接着写大数据的学习笔记了，今天就把之前学过的HDFS的知识详细的介绍一下，如有哪点写的不足希望大家多多指教。

1、HDFS基本概念

1.1、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。

1.2、 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：
（1）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版本中是128M，老版本中是64M

（2）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

（3）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）

（4）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)

2、HDFS基本操作

2.1、HDFS的shell(命令行客户端)操作
HDFS提供shell命令行客户端，使用方法如下：

2.2 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： hadoop fs -ls hdfs://hadoop-server01:9000/ 备注：这些参数中，所有的hdfs路径都可以简写 –>hadoop fs -ls / 等同于上一条命令的效果
• -mkdir 功能：在hdfs上创建目录 示例：hadoop fs -mkdir -p /aaa/bbb/cc/dd
• -moveFromLocal 功能：从本地剪切粘贴到hdfs 示例：hadoop fs - moveFromLocal /home/hadoop/a.txt /aaa/bbb/cc/dd
• -moveToLocal 功能：从hdfs剪切粘贴到本地 示例：hadoop fs - 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：hadoop fs -appendToFile ./hello.txt hdfs://hadoop-server01:9000/hello.txt可以简写为：Hadoop fs -appendToFile ./hello.txt /hello.txt
• -cat 功能：显示文件内容 示例：hadoop fs -cat /hello.txt
• -text 功能：以字符形式打印一个文件的内容 。示例：hadoop fs -text /weblog/access_log.1
• -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： hadoop fs -chmod 666 /hello.txt hadoop fs -chown someuser: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：hadoop fs -copyFromLocal ./jdk.tar.gz /aaa/ -copyToLocal 功能：从hdfs拷贝到本地 示例：hadoop fs
• -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： hadoop fs -cp /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
• -mv 功能：在hdfs目录中移动文件 示例： hadoop fs -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：hadoop fs -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.1, log.2,log.3,… hadoop fs -getmerge /aaa/log.*
  ./log.sum
• -put 功能：等同于copyFromLocal 示例：hadoop fs -put /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
• -rm 功能：删除文件或文件夹 示例：hadoop fs -rm -r /aaa/bbb/
• -rmdir 功能：删除空目录 示例：hadoop fs -rmdir /aaa/bbb/ccc
• -df 功能：统计文件系统的可用空间信息 示例：hadoop fs -df -h / -
• -du 功能：统计文件夹的大小信息 示例： hadoop fs -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：hadoop fs -count /aaa/
• -setrep 功能：设置hdfs中文件的副本数量 示例：hadoop fs -setrep 3 /aaa/jdk.tar.gz <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>

3、HDFS原理

hdfs的工作机制

3.1 概述
1. HDFS集群分为两大角色：NameNode、DataNode
2. NameNode负责管理整个文件系统的元数据
3. DataNode 负责管理用户的文件数据块
4. 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

3.2、HDFS写数据流程
3.2.1 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
3.2.2 详细步骤图

3.2.3 详细步骤解析
1、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
2、namenode返回是否可以上传
3、client请求第一个 block该传输到哪些datanode服务器上
4、namenode返回3个datanode服务器ABC
5、client请求3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。

3.3、HDFS读数据流程
3.3.1 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
3.3.2 详细步骤图

3.3.3 详细步骤解析
1、跟namenode通信查询元数据，找到文件块所在的datanode服务器
2、挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流
3、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）
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

3.4、NameNode和DataNode的职责
这里只是简单的介绍下NameNode和DataNode的作用，有关NameNode对元数据的管理机制将另写一篇文章详细介绍。
1、NameNode职责：
负责客户端请求的响应
元数据的管理（查询，修改）
2、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）
配置该参数设置上报时间间隔：

<property>  <name>dfs.blockreport.intervalMsec</name>  <value>3600000</value>  <description>Determines block reporting interval in milliseconds.</description> </property>

Datanode掉线判断时限参数设置：

<property> <name>heartbeat.recheck.interval</name>  <value>2000</value></property> <property>  <name>dfs.heartbeat.interval</name>  <value>1</value> </property>

如果定义超时时间为timeout，则超时时长的计算公式为：
timeout = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval。
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。

接下来将介绍下HDFS的客户端应用开发以及NameNode对元数据的管理机制。