hadoop学习第四节：HDFS

1 环境说明

部署节点操作系统为CentOS，防火墙和SElinux禁用，创建了一个shiyanlou用户并在系统根目录下创建/app目录，用于存放Hadoop等组件运行包。因为该目录用于安装hadoop等组件程序，用户对shiyanlou必须赋予rwx权限（一般做法是root用户在根目录下创建/app目录，并修改该目录拥有者为shiyanlou(chown –R shiyanlou:shiyanlou /app）。

Hadoop搭建环境：

• 虚拟机操作系统： CentOS6.6 64位，单核，1G内存
• JDK：1.7.0_55 64位
• Hadoop：1.1.2

2 HDFS原理

HDFS（Hadoop Distributed File System）是一个分布式文件系统，是谷歌的GFS山寨版本。它具有高容错性并提供了高吞吐量的数据访问，非常适合大规模数据集上的应用，它提供了一个高度容错性和高吞吐量的海量数据存储解决方案。

• 高吞吐量访问：HDFS的每个Block分布在不同的Rack上，在用户访问时，HDFS会计算使用最近和访问量最小的服务器给用户提供。由于Block在不同的Rack上都有备份，所以不再是单数据访问，所以速度和效率是非常快的。另外HDFS可以并行从服务器集群中读写，增加了文件读写的访问带宽。
• 高容错性：系统故障是不可避免的，如何做到故障之后的数据恢复和容错处理是至关重要的。HDFS通过多方面保证数据的可靠性，多份复制并且分布到物理位置的不同服务器上，数据校验功能、后台的连续自检数据一致性功能都为高容错提供了可能。
• 线性扩展：因为HDFS的Block信息存放到NameNode上，文件的Block分布到DataNode上，当扩充的时候仅仅添加DataNode数量，系统可以在不停止服务的情况下做扩充，不需要人工干预。

2.1 HDFS架构

如上图所示HDFS是Master和Slave的结构，分为NameNode、Secondary NameNode和DataNode三种角色。

• NameNode：在Hadoop1.X中只有一个Master节点，管理HDFS的名称空间和数据块映射信息、配置副本策略和处理客户端请求；
• Secondary NameNode：辅助NameNode，分担NameNode工作，定期合并fsimage和fsedits并推送给NameNode，紧急情况下可辅助恢复NameNode；
• DataNode：Slave节点，实际存储数据、执行数据块的读写并汇报存储信息给NameNode；

2.2 HDFS读操作

1. 客户端通过调用FileSystem对象的open()方法来打开希望读取的文件，对于HDFS来说，这个对象时分布文件系统的一个实例；
2. DistributedFileSystem通过使用RPC来调用NameNode以确定文件起始块的位置，同一Block按照重复数会返回多个位置，这些位置按照Hadoop集群拓扑结构排序，距离客户端近的排在前面；
3. 前两步会返回一个FSDataInputStream对象，该对象会被封装成DFSInputStream对象，DFSInputStream可以方便的管理datanode和namenode数据流，客户端对这个输入流调用read()方法；
4. 存储着文件起始块的DataNode地址的DFSInputStream随即连接距离最近的DataNode，通过对数据流反复调用read()方法，可以将数据从DataNode传输到客户端；
5. 到达块的末端时，DFSInputStream会关闭与该DataNode的连接，然后寻找下一个块的最佳DataNode，这些操作对客户端来说是透明的，客户端的角度看来只是读一个持续不断的流；
6. 一旦客户端完成读取，就对FSDataInputStream调用close()方法关闭文件读取。

2.3 HDFS写操作

1. 客户端通过调用DistributedFileSystem的create()方法创建新文件；
2. DistributedFileSystem通过RPC调用NameNode去创建一个没有Blocks关联的新文件，创建前NameNode会做各种校验，比如文件是否存在、客户端有无权限去创建等。如果校验通过，NameNode会为创建新文件记录一条记录，否则就会抛出IO异常；
3. 前两步结束后会返回FSDataOutputStream的对象，和读文件的时候相似，FSDataOutputStream被封装成DFSOutputStream，DFSOutputStream可以协调NameNode和Datanode。客户端开始写数据到DFSOutputStream，DFSOutputStream会把数据切成一个个小的数据包，并写入内部队列称为“数据队列”(Data Queue)；
4. DataStreamer会去处理接受Data Queue，它先问询NameNode这个新的Block最适合存储的在哪几个DataNode里，比如重复数是3，那么就找到3个最适合的DataNode，把他们排成一个pipeline.DataStreamer把Packet按队列输出到管道的第一个Datanode中，第一个DataNode又把Packet输出到第二个DataNode中，以此类推；
5. DFSOutputStream还有一个对列叫Ack Quene，也是有Packet组成，等待DataNode的收到响应，当Pipeline中的所有DataNode都表示已经收到的时候，这时Akc Quene才会把对应的Packet包移除掉；
6. 客户端完成写数据后调用close()方法关闭写入流；
7. DataStreamer把剩余的包都刷到Pipeline里然后等待Ack信息，收到最后一个Ack后，通知NameNode把文件标示为已完成。

2.4 HDFS中常用到的命令

1. hadoop fs

• hadoop fs -ls /
• hadoop fs -lsr
• hadoop fs -mkdir /user/hadoop
• hadoop fs -put a.txt /user/hadoop/
• hadoop fs -get /user/hadoop/a.txt /
• hadoop fs -cp src dst
• hadoop fs -mv src dst
• hadoop fs -cat /user/hadoop/a.txt
• hadoop fs -rm /user/hadoop/a.txt
• hadoop fs -rmr /user/hadoop/a.txt
• hadoop fs -text /user/hadoop/a.txt
• hadoop fs -copyFromLocal localsrc dst 与hadoop fs -put功能类似。
• hadoop fs -moveFromLocal localsrc dst 将本地文件上传到hdfs，同时删除本地文件。

2. hadoop fsadmin

• hadoop dfsadmin -report
• hadoop dfsadmin -safemode enter | leave | get | wait
• hadoop dfsadmin -setBalancerBandwidth 1000

3. hadoop fsck

4. start-balancer.sh

相关HDFS API可以到Apache官网进行查看： 

3 测试例子1

java api 例子 HDFS中JAVA API的使用

实验楼有更细节的例子，但是运行的时候总出错。因此还是用的上一个连接 HDFS原理及操作

自己写了个例子，是用spring boot 测试用例里写的：

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 org.junit.Test;import org.junit.runner.RunWith;import org.springframework.boot.test.context.SpringBootTest;import org.springframework.test.context.junit4.SpringRunner;import java.io.IOException;@RunWith(SpringRunner.class)@SpringBootTestpublic class HadooppracticeApplicationTests {@Testpublic void uploadFile() {try {            String src="d://qq.txt";            String dst = "hdfs://192.168.40.128:9000/test/qq.txt";            Configuration conf = new Configuration();            conf.set("fs.defaultFS", "hdfs://192.168.40.128:9000");            FileSystem fs = FileSystem.get(conf);            Path srcPath = new Path(src); //原路径            Path dstPath = new Path(dst); //目标路径            //调用文件系统的文件复制函数,前面参数是指是否删除原文件，true为删除，默认为false            fs.copyFromLocalFile(false,srcPath, dstPath);            //打印文件路径            System.out.println("Upload to "+conf.get("fs.default.name"));            System.out.println("------------list files------------"+"\n");            FileStatus [] fileStatus = fs.listStatus(dstPath);            for (FileStatus file : fileStatus) {                System.out.println(file.getPath());            }            fs.close();} catch (IOException e) {e.printStackTrace();}}}