HDFS 入门和基本操做

一、HDFS 是作什么的

　　Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS，hdfs是分布式计算中数据存储管理的基础，是基于流数据模式访问和处理超大文件的需求而开发的，能够运行于廉价的商用服务器上。它所具备的高容错、高可靠性、高可扩展性、高得到性、高吞吐率等特征为海量数据提供了不怕故障的存储，为超大数据集（Large Data Set）的应用处理带来了不少便利。

二、为何选择 HDFS 存储数据

　 之因此选择 HDFS 存储数据，由于 HDFS 具备如下优势：

一、高容错性

​ 数据自动保存多个副本。它经过增长副本的形式，提升容错性。

​ 某一个副本丢失之后，它能够自动恢复，这是由 HDFS 内部机制实现的，咱们没必要关心。

二、适合批处理

​ 它是经过移动计算而不是移动数据。

​ 它会把数据位置暴露给计算框架。

三、适合大数据处理

处理数据达到 GB、TB、甚至PB级别的数据。

​ 可以处理百万规模以上的文件数量，数量至关之大。

​ 可以处理10K节点的规模。

四、流式文件访问

​ 一次写入，屡次读取。文件一旦写入不能修改，只能追加。

​ 它能保证数据的一致性。

　　五、可构建在廉价机器上

​ 它经过多副本机制，提升可靠性。

​ 它提供了容错和恢复机制。好比某一个副本丢失，能够经过其它副原本恢复。

　　固然 HDFS 也有它的劣势，并不适合全部的场合：

一、低延时数据访问

​ 好比毫秒级的来存储数据，这是不行的，它作不到。

​ 它适合高吞吐率的场景，就是在某一时间内写入大量的数据。可是它在低延时的状况下是不行的，好比毫秒级之内读取数据，这样它是很难作到的。

二、小文件存储

​ 存储大量小文件(这里的小文件是指小于HDFS系统的Block大小的文件（默认64M）)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，由于NameNode的内存老是有限的

​ 小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。

三、并发写入、文件随机修改

​ 一个文件只能有一个写，不容许多个线程同时写。

​ 仅支持数据 append（追加），不支持文件的随机修改。

三、内部结构

HDFS 如何上传数据

HDFS 采用Master/Slave的架构来存储数据，这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面咱们分别介绍这四个组成部分

一、Client：就是客户端。

• 文件切分。文件上传 HDFS 的时候，Client 将文件切分红 一个一个的Block，而后进行存储。
• 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，好比启动或者关闭HDFS。
• Client 能够经过一些命令来访问 HDFS。

二、NameNode：就是 master，它是一个主管、管理者。

• 管理 HDFS 的名称空间
• 管理数据块（Block）映射信息
• 配置副本策略
• 处理客户端读写请求。

三、DataNode：就是Slave。NameNode 下达命令，DataNode 执行实际的操做。

• 存储实际的数据块。
• 执行数据块的读/写操做。

四、Secondary NameNode：并不是 NameNode 的热备。当NameNode 挂掉的时候，它并不能立刻替换 NameNode 并提供服务。

• 辅助 NameNode，分担其工做量。
• 按期合并 fsimage和fsedits，并推送给NameNode。
• 在紧急状况下，可辅助恢复 NameNode。

五、HDFS 如何读取文件

HDFS的文件读取原理，主要包括如下几个步骤：

• 首先调用FileSystem对象的open方法，其实获取的是一个DistributedFileSystem的实例。
• DistributedFileSystem经过RPC(远程过程调用)得到文件的第一批block的locations，同一block按照重复数会返回多个locations，这些locations按照hadoop拓扑结构排序，距离客户端近的排在前面。
• 前两步会返回一个FSDataInputStream对象，该对象会被封装成 DFSInputStream对象，DFSInputStream能够方便的管理datanode和namenode数据流。客户端调用read方法，DFSInputStream就会找出离客户端最近的datanode并链接datanode。
• 数据从datanode源源不断的流向客户端。
• 若是第一个block块的数据读完了，就会关闭指向第一个block块的datanode链接，接着读取下一个block块。这些操做对客户端来讲是透明的，从客户端的角度来看只是读一个持续不断的流。
• 若是第一批block都读完了，DFSInputStream就会去namenode拿下一批blocks的location，而后继续读，若是全部的block块都读完，这时就会关闭掉全部的流。

六、HDFS 如何写入文件

HDFS的文件写入原理，主要包括如下几个步骤：

• 客户端经过调用 DistributedFileSystem 的create方法，建立一个新的文件。
• DistributedFileSystem 经过 RPC（远程过程调用）调用 NameNode，去建立一个没有blocks关联的新文件。建立前，NameNode 会作各类校验，好比文件是否存在，客户端有无权限去建立等。若是校验经过，NameNode 就会记录下新文件，不然就会抛出IO异常。
• 前两步结束后会返回 FSDataOutputStream 的对象，和读文件的时候类似，FSDataOutputStream 被封装成 DFSOutputStream，DFSOutputStream 能够协调 NameNode和 DataNode。客户端开始写数据到DFSOutputStream,DFSOutputStream会把数据切成一个个小packet，而后排成队列 data queue。
• 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，好比重复数是3，那么就找到3个最适合的 DataNode，把它们排成一个 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。
• DFSOutputStream 还有一个队列叫 ack queue，也是由 packet 组成，等待DataNode的收到响应，当pipeline中的全部DataNode都表示已经收到的时候，这时akc queue才会把对应的packet包移除掉。
• 客户端完成写数据后，调用close方法关闭写入流。
• DataStreamer 把剩余的包都刷到 pipeline 里，而后等待 ack 信息，收到最后一个 ack 后，通知 DataNode 把文件标示为已完成。

七、命令行接口

两个属性项： fs.default.name 用来设置Hadoop的默认文件系统，设置hdfs URL则是配置HDFS为Hadoop的默认文件系统。dfs.replication 设置文件系统块的副本个数

文件系统的基本操做：hadoop fs -help能够获取全部的命令及其解释

经常使用的有：

• hadoop fs -ls / 列出hdfs文件系统根目录下的目录和文件
• hadoop fs -put<local path> <hdfs path> 从本地文件系统将一个文件上传到HDFS
• hadoop fs -get<hdfs path> <local path> 从本地文件系统将一个文件上传到HDFS
• hadoop fs -rm -r <hdfs dir or file> 删除文件或文件夹及文件夹下的文件
• hadoop fs -mkdir <hdfs dir>在hdfs中新建文件夹

操做路程

• cd hadoop.2.5.2

• cd sbin

• ./start-all.sh //启动hdfs服务，yarn服务

• cd ..

• cd bin

• ./haoop dfs –ls / 解释：./hdfs 是hdfs命令 dfs参数 表示在hadoop里有效 –ls /显示hdfs根目录

• ./haoop dfs –rm /test/count/SUCCESS //删除/test/count目录里的SUCCESS文件

• ./haoop dfs –rmr /test/count/output //删除/test/count/output目录

• ./haoop dfs –mkdir /test/count/input //建立/test/count/input目录

• 从linux的 共享文件夹取得要分析的文件，上传到 hdfs

  ./hadoop fs –put /mnt/hgfs/share/phone.txt /test/network

• 执行代码分析，

  ./hadoop jar /mnt/hgfs/share/mobile.jar com.wanho.hadoopmobile.PhoneDriver

• 将产生的结果，传回linux的共享文件夹

  ./hadoop fs –get /test/network/output1 /mnt/hgfs/share