最通熟易懂的Hadoop HDFS实践攻略
- HDFS是用来解决什么问题?怎么解决的?
- 如何在命令行下操作HDFS?
- 如何使用Java API来操作HDFS?
- 在了解基本思路和操作方法后,进一步深究HDFS具体的读写数据流程
学习并实践本文教程后,可以对HDFS有比较清晰的认识,并可以进行熟练操作,为后续学习Hadoop体系打好基础。
目录:
理论部分
- HDFS 基本原理
- 文件读取、写入机制
- 元数据管理思路
实践部分
- 安装实践环境
- Shell 命令行操作方式
- Java API操作方式
一、HDFS基本原理
HDFS(Hadoop Distribute File System)是一个分布式文件系统,是Hadoop的重要成员。
1、文件系统的问题
文件系统是操作系统提供的磁盘空间管理服务,只需要我们制定把文件放到哪儿,从哪个路径读取文件就可以了,不用关心文件在磁盘上是如何存放的。
当文件所需空间大于本机磁盘空间时,如何处理呢?
一是加磁盘,但是加到一定程度就有限制了;二是加机器,用远程共享目录的方式提供网络化的存储,这种方式可以理解为分布式文件系统的雏形,可以把不同文件放入不同的机器中,空间不足了可继续加机器,突破了存储空间的限制。但这个方式有多个问题:
- 单机负载可能极高例如某个文件是热门,很多用户经常读取这个文件,就使得次文件所在机器的访问压力极高。
- 数据不安全如果某个文件所在的机器出现故障,这个文件就不能访问了,可靠性很差。
- 文件整理困难例如想把一些文件的存储位置进行调整,就需要看目标机器的空间是否够用,并且需要自己维护文件位置,如果机器非常多,操作就极为复杂。
2、HDFS的解决思路
HDFS是个抽象层,底层依赖很多独立的服务器,对外提供统一的文件管理功能,对于用户来讲,感觉就像在操作一台机器,感受不到HDFS下面的多台服务器。
例如用户访问HDFS中的/a/b/c.mpg这个文件,HDFS负责从底层相应服务器中读取,然后返回给用户,这样用户只需和HDFS打交道,不关心这个文件是怎么存储的。
例如用户需要保存一个文件/a/b/xxx.avi。
HDFS首先会把这个文件进行分割,例如分为4块,然后分别放到不同服务器上。
这样做有个好处,不怕文件太大,并且读文件的压力不会全部集中在一台服务器上。但如果某台服务器坏了,文件就读不全了。
HDFS为保证文件可靠性,会把每个文件块进行多个备份:
- 块1:A B C
- 块2:A B D
- 块3:B C D
- 块4:A C D
这样文件的可靠性就大大增强了,即使某个服务器坏了,也可以完整读取文件。
同时还带来一个很大的好处,就是增加了文件的并发访问能力,比如多个用户读取这个文件时,都要读块1,HDFS可以根据服务器的繁忙程度,选择从那台服务器读块1。
3、元数据的管理
HDFS中存了哪些文件?
文件被分成了哪些块?
每个块被放在哪台服务器上?
……
这些都叫做元数据,这些元数据被抽象为一个目录树,记录了这些复杂的对应关系。这些元数据由一个单独的模块进行管理,这个模块叫做NameNode。存放文件块的真实服务器叫做DataNode,所以用户访问HDFS的过程可以理解为:
用户-> HDFS -> NameNode -> DataNode
4、HDFS优点
- 容量可以线性扩展
- 有副本机制,存储可靠性高,吞吐量增大
- 有了NameNode后,用户访问文件只需指定HDFS上的路径
二、HDFS实践
经过上面介绍,可以对HDFS有个基本的了解,下面开始进行实际操作,在实践中更好的认识HDFS。
1、安装实践环境
您可以选择自己搭建环境,也可以使用打包好的Hadoop环境(版本2.7.3)
这个Hadoop环境实际上是一个虚机镜像,所以需要安装virtualbox虚拟机、vagrant镜像管理工具,和我的Hadoop镜像,然后用这个镜像启动虚机就可以了,下面是具体操作步骤:
1)安装virtualbox
下载地址:https://www.virtualbox.org/wiki/Downloads
2)安装vagrant
因为官网下载较慢,我上传到了云盘
Windows版
链接: https://pan.baidu.com/s/1pKKQGHl
密码: eykr
Mac版
链接: https://pan.baidu.com/s/1slts9yt
密码: aig4
安装完成后,在命令行终端下就可以使用vagrant命令。
3)下载Hadoop镜像
链接: https://pan.baidu.com/s/1bpaisnd
密码: pn6c
4)启动
加载Hadoop镜像
vagrant box add {自定义镜像名称} {镜像所在路径}
例如您想命名为Hadoop,镜像下载后的路径为d:\hadoop.box,加载命令就是这样:
vagrant box add hadoop d:\hadoop.box
创建工作目录,例如d:\hdfstest。
进入此目录,初始化
cd d:\hdfstest
vagrant init hadoop
启动虚机
vagrant up
启动完成后,就可以使用SSH客户端登录虚机了
IP 127.0.0.1
端口 2222
用户名 root
密码 vagrant
登录后使用命令ifconfig 查看本虚机的IP(如192.168.31.239),可以使用此IP和端口22登录了
IP 192.168.31.239
端口 22
用户名 root
密码 vagrant
Hadoop服务器环境搭建完成。
2、Shell命令行操作
登录Hadoop服务器后,先启动HDFS,执行命令:
start-dfs.sh
- 查看帮助
hdfs dfs –help
显示目录信息
-ls 后面是要查看的目录路径
创建目录
创建目录/test
hdfs dfs -mkdir /test
一次创建多级目录/aa/bb
hdfs dfs -mkdir -p /aa/bb
- 上传文件
形式
hdfs dfs -put {本地路径} {hdfs中的路径}
实例(先创建好一个测试文件mytest.txt,内容随意,然后上传到/test)
hadoop fs -put ~/mytest.txt /test
- 显示文件内容
hdfs dfs -cat /test/mytest.txt
- 合并下载
先创建2个测试文件(log.access, log.error),内容随意,使用-put上传到/test目录下
hdfs dfs -put log.* /test
然后把2个log文件合并下载到一个文件中
hdfs dfs -getmerge /test/log.* ./log
查看本地log文件内容,应该包含log.access与log.error两个文件的内容。
- 复制
从HDFS的一个路径拷贝HDFS的另一个路径
hdfs dfs -cp /test/mytest.txt /aa/mytest.txt.2
验证
hdfs dfs -ls /aa
- 移动文件
hdfs dfs -mv /aa/mytest.txt.2 /aa/bb
验证
hdfs dfs -ls /aa/bb
应列出mytest.txt.2。
- 删除
hdfs dfs -rm -r /aa/bb/mytest.txt.2
使用-r参数可以一次删除多级目录。
验证
hdfs dfs -ls /aa/bb
应为空
- 修改文件权限
与Linux文件系统中的用法一样,修改文件所属权限
-chgrp
-chmod
-chown
示例
hdfs dfs -chmod 666 /test/mytest.txt
hdfs dfs -chown someuser:somegrp /test/mytest.txt
- 统计文件系统的可用空间
hdfs dfs -df -h /
- 统计文件夹的大小
hdfs dfs -du -s -h /test
3、Java API操作
(1)环境配置
因为需要在本机链接Hadoop虚机服务器,所以需要配置Hadoop,使其可以被外部访问。
先登录Hadoop虚机服务器,然后:
1)查看本机IP
ip address
例如IP为:192.168.31.239
2)修改文件:
vi /usr/local/hadoop-2.7.3/etc/hadoop/core-site.xml
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
把其中的localhost:9000修改为本机IP 192.168.31.239:9000
3)重新启动HDFS
#停止
stop-dfs.sh
#启动
start-dfs.sh
(2)搭建开发环境
)新建项目目录hdfstest
2)在项目目录下创建pom.xml
内容:
3)创建源码目录src/main/java
现在项目目录结构
├── pom.xml
!”” src
│ └── main
│ └── java
(3)示例代码
查看文件列表ls
1)新建文件src/main/java/Ls.java
列出/下的文件列表,及递归获取所有文件
2)编译执行
mvn compile
mvn exec:java -Dexec.mainClass=”Ls” -Dexec.cleanupDaemonThreads
=false
创建目录mkdir
在HDFS中创建目录/mkdir/a/b
1)新建文件
src/main/java/Mkdir.java
2)编译执行
mvn compile
mvn exec:java -Dexec.mainClass=”Mkdir” -Dexec.cleanupDaemonThre
ads=false
3)在服务器中使用HDFS命令验证
hdfs dfs -ls /mkdir
上传文件put
在当前项目目录下新建测试文件,上传到HDFS中的/mkdir
1)在项目目录下创建测试文件testfile.txt,内容随意
2)新建文件src/main/java/Put.java
3)编译执行
mvn compile
mvn exec:java -Dexec.mainClass=”Put” -Dexec.cleanupDaemonThread
s=false
4)在服务器中使用HDFS命令验证
hdfs dfs -ls /mkdir
hdfs dfs -cat /mkdir/testfile.txt
下载文件get
1)新建文件src/main/java/Get.java
把HDFS中/mkdir/testfile.txt下载到当前项目目录下
2)编译执行
mvn compile
mvn exec:java -Dexec.mainClass=”Get” -Dexec.cleanupDaemonThread
s=false
3)查看项目目录下是否存在testfile2.txt及其内容
删除文件delete
删除HDFS上之前上传的/mkdir/testfile.txt
1)新建文件src/main/java/Del.java
2)编译执行
mvn compile
mvn exec:java -Dexec.mainClass=”Del” -Dexec.cleanupDaemonThread
s=false
3)在服务器中使用HDFS命令验证,检查testfile.txt是否被删除
hdfs dfs -ls /mkdir
重命名rename
把HDFS中的/mkdir/a重命名为/mkdir/a2
1)新建文件src/main/java/Rename.java
2)编译执行
mvn compile
mvn exec:java -Dexec.mainClass=”Rename” -Dexec.cleanupDaemonThr
eads=false
3)在服务器中使用HDFS命令验证
hdfs dfs -ls /mkdir
流方式读取文件部分内容
上传一个文本文件,然后使用流方式读取部分内容保存到当前项目目录。
1)在服务器中创建一个测试文件test.txt,内容:
123456789abcdefghijklmn
上传到HDFS
hdfs dfs -put test.txt /
2)在本地项目中新建文件src/main/java/StreamGet.java
2)编译执行
mvn compile
mvn exec:java -Dexec.mainClass=”StreamGet” -Dexec.cleanupDaemon
Threads=false
3)执行后查看项目目录下的test.txt.part2
6789abcdefghijklmn
前面的12345已经被略过
三、深入了解
1、写入机制
向HDFS中写入文件时,是按照块儿为单位的,client会根据配置中设置的块儿的大小把目标文件切为多块,例如文件是300M ,配置中块大小值为128M,那么就分为3块儿。
具体写入流程:
- client向namenode发请求,说想要上传文件
- namenode会检查目标文件是否存在、父目录是否存在,检查没有问题后返回确认信息
- client再发请求,问第一个block应该传到哪些datanode上
- namenode经过衡量,返回3个可用的datanode(A,B,C)
- client与A建立连接,A与B建立连接,B与C建立连接,形成一个pipeline
- 传输管道建立完成后,client开始向A发送数据包,此数据包会经过管道一次传递到B和C
- 当第一个block的数据都传完以后,client再向namenode请求第二个block上传到哪些datanode,然后建立传输管道发送数据
- 就这样,直到client把文件全部上传完成
2、读取机制
- Client把要读取的文件路径发给namenode,查询元数据,找到文件块所在的datanode服务器
- Client直到了文件包含哪几块儿、每一块儿在哪些datanode上,就选择那些离自己进的datanode(在同一机房,如果有多个离着近的,就随机选择),请求简历socket流
- 从datanode获取数据
- Client接收数据包,先本地缓存,然后写入目标文件
- 直到文件读取完成
3、NameNode机制
通过对HDFS读写流程的了解,可以发现namenode是一个很重要的部分,它记录着整个HDFS系统的元数据,这些元数据是需要持久化的,要保存到文件中。
Namenode还要承受巨大的访问量,client读写文件时都需要请求namenode,写文件时要修改元数据,读文件时要查询元数据。
为了提高效率,namenode便将元数据加载到内存中,每次修改时,直接修改内存,而不是直接修改文件,同时会记录下操作日志,供后期修改文件时使用。
这样,namenode对数据的管理就涉及到了3种存储形式:
- 内存数据
- 元数据文件
- 操作日志文件
namenode需要定期对元数据文件和日志文件进行整合,以保证文件中数据是新的,但这个过程很消耗性能,namenode需要快速地响应client的大量请求,很难去完成文件整合操作,这时就引入了一个小助手secondnamenode。
secondnamenode会定期从namenode中下载元数据文件和操作日志,进行整合,形成新的数据文件,然后传回namenode,并替换掉之前的旧文件。
secondnamenode是namenode的好帮手,替namenode完成了这个重体力活儿,并且还可以作为namenode的一个防灾备份,当namenode数据丢失时,secondnamenode上有最近一次整理好的数据文件,可以传给namenode进行加载,这样可以保证最少的数据丢失。
小结
HDFS的基础内容介绍完了,希望可以帮助您快速熟悉HDFS的思路和使用方式。如有批评与建议(例如内容有误、不足的地方、改进建议等),欢迎留言讨论。
文章来自微信公众号:DBAplus社群
最通熟易懂的Hadoop HDFS实践攻略的更多相关文章
- JVM,Java虚拟机基础知识新手入门教程(超级通熟易懂)
作者:请叫我红领巾,转载请注明出处http://www.cnblogs.com/xxzhuang/p/7453746.html,简书地址:http://www.jianshu.com/p/b963b3 ...
- EJB初识(通熟易懂)
转载自http://blog.csdn.net/jojo52013145/article/details/5783677,讲的很透彻,佩服,膜拜学习 1. 我们不禁要问,什么是"服务集群&q ...
- stl的实现原理简单讲解,通熟易懂
总结 需要经常随机访问请用vector 2.list list就是双向链表,元素也是在堆中存放,每个元素都是放在一块内存中,它的内存空间可以是不连续的,通过指针来进行数据的访问,这个特点使得它的随机存 ...
- C#通熟易懂观察者模式
观察者模式(有时又被称为模型-视图(View)模式.源-收听者(Listener)模式或从属者模式)是软件设计模式的一种.将观察者(watcher)和被观察者(subject)完美分离. 这里讲一个场 ...
- Hadoop安全(1)——————美团Hadoop安全实践
http://tech.meituan.com/hadoop-security-practice.html 前言 在2014年初,我们将线上使用的 Hadoop 1.0 集群切换到 Hadoop 2. ...
- 【转】Hadoop安全实践
前言 在2014年初,我们将线上使用的 Hadoop 1.0 集群切换到 Hadoop 2.2.0 稳定版, 与此同时部署了 Hadoop 的安全认证.本文主要介绍在 Hadoop 2.2.0 上部署 ...
- 我要进大厂之大数据Hadoop HDFS知识点(2)
01 我们一起学大数据 老刘继续分享出Hadoop中的HDFS模块的一些高级知识点,也算是对今天复习的HDFS内容进行一次总结,希望能够给想学大数据的同学一点帮助,也希望能够得到大佬们的批评和指点! ...
- Hadoop HDFS 用户指南
This document is a starting point for users working with Hadoop Distributed File System (HDFS) eithe ...
- Hadoop HDFS负载均衡
Hadoop HDFS负载均衡 转载请注明出处:http://www.cnblogs.com/BYRans/ Hadoop HDFS Hadoop 分布式文件系统(Hadoop Distributed ...
随机推荐
- jQuery操作(二)
一: 操作元素 1. 属性操作 1.1 $("p").text() $("p").html() $(":checkbox").val() 1 ...
- PHP filter 函数FILTER_CALLBACK 过滤数据
<?php function convertSpace($string) { return str_replace(" ", "_", $string); ...
- [C#.Net]KeyDown(KeyUp)和KeyPress的区别
在keyDown事件里使用keyValue:在keyPress事件里使用keyChar. keyValue转换keyChar:(char)keyValue 验证只有数字和backSpace e.han ...
- 强连通缩点— HDU1827
强连通缩点以后最终形成的是一棵树 我们可以根据树的性质来看缩点以后的强连通分量图,就很好理解了 /* gyt Live up to every day */ #include<cstdio> ...
- python学习 day18 (3月25日)---( 面向对象浅析)
面向对象思想: 字典表示对象: 不是太好 因为 变量 得一个个的赋值改值 {'name':'alex','blood':20,'attack':1,'sex':'不'} {'name':'太亮','b ...
- 求一个数的n次幂
1.当这个数是2的多少次幂: 求(2^m)^n = 2^(m*n) = 1<<m*n; 2.快速幂(要考虑底数a,和m的正负) int quick_mod(int a,int m){ ...
- TryXXX模式(深入理解c#)
.NET有几个模式很容易根据所涉及的方法名称来识别.例如,BeginXXX和EndXXX暗示着一个异步操作.TryXXX模式的用途在.net1.1升级到2.0期间进行了扩展.他是针对以下情况设计的:有 ...
- kbmmw 中JSON 操作入门
现在各种系统中JSON 用的越来越多.delphi 也自身支持JSON 处理. 今天简要说一下kbmmw 内部如何使用和操作JSON. kbmmw 中json的操作是以TkbmMWJSONStream ...
- TOMCAT内存溢出及大小调整的实现方法
一.tomcat内存设置问题 收藏 在使用Java程序从数据库中查询大量的数据或是应用服务器(如tomcat.jboss,weblogic)加载jar包时会出现java.lang.OutOfMemor ...
- stacking过程
图解stacking原理: 上半部分是用一个基础模型进行5折交叉验证,如:用XGBoost作为基础模型Model1,5折交叉验证就是先拿出四折作为training data,另外一折作为testing ...