1 HDFS概述
1.1 HDFS产出背景及定义
随着数据量越来越大，在一个操作系统管辖的范围内存不下了，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。
HDFS，它是一个文件系统，用于存储文件，通过目录树来定位文件；
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。
HDFS的设计适合一次写入，多次读出的场景，且不支持文件的修改。适合用来做数据分析，并不适合用来做网盘应用。
1.2 HDFS优缺点
- 数据自动保存多个副本。它通过增加副本的形式，提高容错性。
- 某一个副本丢失以后，它可以自动恢复。
（2）适合大数据处理 - 数据规模：能够处理数据规模达到 GB、TB、甚至PB级别的数据。
- 文件规模：能够处理百万规模以上的文件数量，数量相当之大。
（3）流式数据访问，它能保证数据的一致性。
（4）可构建在廉价机器上，通过多副本机制，提高可靠性。
- 1.3.2 缺点
（1）不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。
（2）无法高效的对大量小文件进行存储
- 存储大量小文件的话，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，因为NameNode的内存总是有限的。
- 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。
（3）并发写入、文件随机修改 - 一个文件只能有一个写，不允许多个线程同时写。
- 仅支持数据 append（追加），不支持文件的随机修改。
1.3 HDFS组成架构
- （1）Client：就是客户端。
》》文件切分。文件上传 HDFS 的时候，Client将文件切分成一个一个的Block，然后进行存储。
》》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，比如启动或者关闭HDFS。
》》Client可以通过一些命令来访问HDFS。 - （2）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。 - （3）DataNode：就是Slave，NameNode下达命令，DataNode执行实际的操作。
》》存储实际的数据块。
》》执行数据块的读/写操作。 - （4）Secondary NameNode：
并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。
》》辅助NameNode，分担其工作量。
》》定期合并Fsimage和Edits，并推送给NameNode。
》》在紧急情况下，可辅助恢复NameNode。
1.4 HDFS文件块大小（面试重点）
- （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的块比磁盘的块大，其目的是为了最小化寻址开销。
如果块设置得足够大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。
因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。 - （3）如果
寻址时间约为10ms，而传输速率为100MB/s，为了使寻址时间仅占传输时间的1%，
我们要将块大小设置约为100MB。默认的块大小128MB。 - （4）
块的大小：10ms*100*100M/s = 100M
2 HDFS的Shell操作（开发重点）
1．基本语法
bin/hadoop fs 具体命令 OR bin/hdfs dfs 具体命令
两个是完全相同的。
配置环境变量之后可以不写bin/
2．命令大全
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs
显示所有命令
[-appendToFile <localsrc> ... <dst>]
[-cat [-ignoreCrc] <src> ...]
[-checksum <src> ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] <localsrc> ... <dst>]
[-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-count [-q] <path> ...]
[-cp [-f] [-p] <src> ... <dst>]
[-createSnapshot <snapshotDir> [<snapshotName>]]
[-deleteSnapshot <snapshotDir> <snapshotName>]
[-df [-h] [<path> ...]]
[-du [-s] [-h] <path> ...]
[-expunge]
[-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-getfacl [-R] <path>]
[-getmerge [-nl] <src> <localdst>]
[-help [cmd ...]]
[-ls [-d] [-h] [-R] [<path> ...]]
[-mkdir [-p] <path> ...]
[-moveFromLocal <localsrc> ... <dst>]
[-moveToLocal <src> <localdst>]
[-mv <src> ... <dst>]
[-put [-f] [-p] <localsrc> ... <dst>]
[-renameSnapshot <snapshotDir> <oldName> <newName>]
[-rm [-f] [-r|-R] [-skipTrash] <src> ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
[-setrep [-R] [-w] <rep> <path> ...]
[-stat [format] <path> ...]
[-tail [-f] <file>]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src> ...]
[-touchz <path> ...]
[-usage [cmd ...]]
3．常用命令实操
（0）启动Hadoop集群（方便后续的测试）
[dev1@hadoop102 hadoop-3.1.3]$ start-dfs.sh
[dev1@hadoop103 hadoop-3.1.3]$ start-yarn.sh
（1）-help：输出这个命令参数
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -help rm
（2）-ls: 显示目录信息
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -ls /
（3）-mkdir：在HDFS上创建目录
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir -p /xuexiao/class1
（4）-moveFromLocal：从本地剪切粘贴到HDFS
[dev1@hadoop102 hadoop-3.1.3]$ touch aa.txt
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs - moveFromLocal ./aa.txt /xuexiao/class1
（5）-appendToFile：追加一个文件到已经存在的文件末尾
[dev1@hadoop102 hadoop-3.1.3]$ touch bb.txt
[dev1@hadoop102 hadoop-3.1.3]$ vim bb.txt
输入
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -appendToFile bb.txt /xuexiao/class1/aa.txt
（6）-cat：显示文件内容
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -cat /xuexiao/class1/aa.txt
（7）-chgrp 、-chmod、-chown：Linux文件系统中的用法一样，修改文件所属权限
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -chmod 666 /xuexiao/class1/aa.txt
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -chown dev1:dev1 /xuexiao/class1/aa.txt
（8）-copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -copyFromLocal README.txt /
（9）-copyToLocal：从HDFS拷贝到本地
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal /xuexiao/class1/aa.txt ./
（10）-cp ：从HDFS的一个路径拷贝到HDFS的另一个路径
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -cp /xuexiao/class1/aa.txt /aa.txt
（11）-mv：在HDFS目录中移动文件
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /aa.txt /xuexiao/class1/
（12）-get：等同于copyToLocal，就是从HDFS下载文件到本地
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -get /xuexiao/class1/aa.txt ./
（13）-getmerge：合并下载多个文件，比如HDFS的目录 /user/dev1/test下有多个文件:log.1, log.2,log.3,…
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -getmerge /user/dev1/test/* ./dd.txt
（14）-put：等同于copyFromLocal
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -put ./dd.txt /user/dev1/test/
（15）-tail：显示一个文件的末尾
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -tail /xuexiao/class1/aa.txt
（16）-rm：删除文件或文件夹
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -rm /user/dev1/test/cc2.txt
（17）-rmdir：删除空目录
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /test
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -rmdir /test
（18）-du统计文件夹的大小信息
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -du -s -h /user/dev1/test
2.7 K /user/dev1/test
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -du -h /user/dev1/test
1.3 K /user/dev1/test/README.txt
15 /user/dev1/test/cc.txt
1.4 K /user/dev1/test/dd.txt
（19）-setrep：设置HDFS中文件的副本数量
[dev1@hadoop102 hadoop-3.1.3]$ hadoop fs -setrep 5 /README.txt
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。因为目前只有3台设备，最多也就3个副本，只有节点数的增加到至少5台时，副本数才能达到5。 （20）解决web页面中操作没有权限问题
hadoop默认情况下开启了权限检查，且默认使用dir.who作为http访问的静态用户,因此可通过关闭权限检查或者配置http访问的静态用户为dev1，二选一即可.
在core-site.xml中修改http访问的静态用户为dev1
<property>
<name>hadoop.http.staticuser.user</name>
<value>dev1</value>
</property>
在hdfs-site.xml中关闭权限检查
<property>
<name>dfs.permissions.enabled</name>
<value>false</value>
</property>
3 HDFS客户端操作（开发重点）
3.1 HDFS客户端环境准备
- 1．找到
hadoop-3.1.3.tar.gz解压
选择Hadoop-3.1.3，拷贝到其他地方(比如E:\hadoop)。 
- 2．配置HADOOP_HOME环境变量
- 4．创建一个Maven工程
- 5．导入相应的依赖坐标+日志添加
<dependencies>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.apache.logging.log4j</groupId>
<artifactId>log4j-slf4j-impl</artifactId>
<version>2.12.0</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
在项目的resources目录下，新建一个文件，命名为"log4j2.xml"，在文件中填入
<pre style="background-color:#ffffff;color:#080808;font-family:'Consolas';font-size:13.5pt;"><?xml version="1.0" encoding="UTF-8"?>
<Configuration status="WARN">
<Appenders>
<Console name="Console" target="SYSTEM_OUT">
<PatternLayout pattern="%d{YYYY-MM-dd HH:mm:ss} [%t] %-5p %c{1}:%L - %msg%n" />
</Console>
<RollingFile name="RollingFile" filename="log/test.log"
filepattern="${logPath}/%d{YYYYMMddHHmmss}-fargo.log">
<PatternLayout pattern="%d{YYYY-MM-dd HH:mm:ss} [%t] %-5p %c{1}:%L - %msg%n" />
<Policies>
<SizeBasedTriggeringPolicy size="10 MB" />
</Policies>
<DefaultRolloverStrategy max="20" />
</RollingFile>
</Appenders>
<Loggers>
<Root level="info">
<AppenderRef ref="Console" />
<AppenderRef ref="RollingFile" />
</Root>
</Loggers>
</Configuration>
</pre>
- 6．创建包名：com.dev1.hdfs
- 7．创建HdfsClient类
public class HdfsClient{
@Test
public void testHdfsClient() throws IOException, InterruptedException {
//1. 创建HDFS客户端对象,传入uri， configuration , user
FileSystem fileSystem =
FileSystem.get(URI.create("hdfs://hadoop102:8020"), new Configuration(), "dev1");
//2. 操作集群
// 例如：在集群的/目录下创建 testHDFS目录
fileSystem.mkdirs(new Path("/testHDFS"));
//3. 关闭资源
fileSystem.close();
}
}3.2 HDFS的API操作
3.2.1 HDFS文件上传（测试参数优先级）
@Test
public void testCopyFromLocalFile() throws IOException, InterruptedException, URISyntaxException {
// 1 获取文件系统
Configuration configuration = new Configuration();
// 设置副本数为2个
configuration.set("dfs.replication", "2");
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "dev1");
// 2 上传文件
fs.copyFromLocalFile(new Path("e:/banzhang.txt"), new Path("/banzhang.txt"));
// 3 关闭资源
fs.close();
}
- 2．在项目的resources中新建hdfs-site.xml文件，并将如下内容拷贝进去，再次测试
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
参数优先级排序：（1）客户端代码中设置的值 >（2）ClassPath下的用户自定义配置文件 >（3）然后是服务器的自定义配置(xxx-site.xml) >（4）服务器的默认配置(xxx-default.xml)
3.2.2 HDFS文件下载
@Test
public void testCopyToLocalFile() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "dev1");
// 2 执行下载操作
// boolean delSrc 指是否将原文件删除
// Path src 指要下载的文件路径
// Path dst 指将文件下载到的路径
// boolean useRawLocalFileSystem 是否开启文件校验
fs.copyToLocalFile(false, new Path("/banzhang.txt"), new Path("e:/banhua.txt"), true);
// 3 关闭资源
fs.close();
}
3.2.3 HDFS文件夹删除
@Test
public void testDelete() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "dev1");
// 2 执行删除
fs.delete(new Path("/0213/"), true);
// 3 关闭资源
fs.close();
}
3.2.4 HDFS文件名更改/移动
@Test
public void testRename() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "dev1");
// 2 修改文件名称
fs.rename(new Path("/banzhang.txt"), new Path("/banhua.txt"));
// 3 关闭资源
fs.close();
}
3.2.5 HDFS文件详情查看
查看文件名称、权限、长度、块信息
@Test
public void testListFiles() throws IOException, InterruptedException, URISyntaxException{
// 1获取文件系统
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "dev1");
// 2 获取文件详情
RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
while(listFiles.hasNext()){
LocatedFileStatus status = listFiles.next();
// 输出详情
// 文件名称
System.out.println(status.getPath().getName());
// 长度
System.out.println(status.getLen());
// 权限
System.out.println(status.getPermission());
// 分组
System.out.println(status.getGroup());
// 获取存储的块信息
BlockLocation[] blockLocations = status.getBlockLocations();
for (BlockLocation blockLocation : blockLocations) {
// 获取块存储的主机节点
String[] hosts = blockLocation.getHosts();
for (String host : hosts) {
System.out.println(host);
}
}
System.out.println("-----------漂亮的分割线----------");
}
// 3 关闭资源
fs.close();
}
3.2.6 HDFS文件和文件夹判断
@Test
public void testListStatus() throws IOException, InterruptedException, URISyntaxException{
// 1 获取文件配置信息
Configuration configuration = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hadoop102:8020"), configuration, "dev1");
// 2 判断是文件还是文件夹
FileStatus[] listStatus = fs.listStatus(new Path("/"));
for (FileStatus fileStatus : listStatus) {
// 如果是文件
if (fileStatus.isFile()) {
System.out.println("f:"+fileStatus.getPath().getName());
}else {
System.out.println("d:"+fileStatus.getPath().getName());
}
}
// 3 关闭资源
fs.close();
}
4.1 HDFS写数据流程
4.1.1 剖析文件写入
HDFS写数据流程
- （1）客户端通过Distributed FileSystem模块向NameNode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）客户端请求第一个 Block上传到哪几个DataNode服务器上。
- （4）NameNode
返回3个DataNode节点，分别为dn1、dn2、dn3。 - （5）客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。
- （6）dn1、dn2、dn3逐级应答客户端。
- （7）客户端开始往dn1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，dn1收到一个Packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答。
- （8）当一个Block传输完成之后，客户端再次请求NameNode上传第二个Block的服务器。（重复执行3-7步）。
4.1.2 网络拓扑-节点距离计算
在HDFS写数据的过程中，NameNode会选择距离待上传数据最近距离的DataNode接收数据。那么这个最近距离怎么计算呢？
节点距离：两个节点到达最近的共同祖先的距离总和。
例如，假设有数据中心d1机架r1中的节点n1。该节点可以表示为/d1/r1/n1。利用这种标记，这里给出四种距离描述，如图4-2所示。
大家算一算每两个节点之间的距离
4.1.3 机架感知（副本存储节点选择）
http://hadoop.apache.org/docs/r3.1.3/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html#Data_Replication
For the common case, when the replication factor is three, HDFS’s placement policy is to put one replica on the local machine if the writer is on a datanode, otherwise on a random datanode, another replica on a node in a different (remote) rack, and the last on a different node in the same remote rack.
4.2 HDFS读数据流程
HDFS的读数据流程
- （1）客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
- （2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
- （3）DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，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。
