这是一篇最通熟易懂的Hadoop HDFS实践攻略!

杜亦舒 2017-05-17 09:48:47

作者介绍

杜亦舒创业中,技术合伙人,喜欢研究分享技术。个人订阅号:性能与架构。

 

本文主要帮您解决一下几个问题:

 
  • 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

  1. HDFS 基本原理

  2. 文件读取、写入机制

  3. 元数据管理思路

实践部分

  1. 安装实践环境

  2. Shell 命令行操作方式

  3. 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

 

  • 下载文件

 
hdfs dfs -get /test/mytest.txt ./mytest2.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.accesslog.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

 

1)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:

  1. client向namenode发请求,说想要上传文件

  2. 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

  3. client再发请求,问第一个block应该传到哪些datanode上

  4. namenode经过衡量,返回3个可用的datanode(A,B,C)

  5. 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

  6. 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

  7. 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

  8. 就这样,直到client把文件全部上传完成

 

 

2、读取机制

 

  1. 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

  2. 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

  3. 从datanode获取数据

  4. Client接收数据包,先本地缓存,然后写入目标文件

  5. 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:

  1. 内存数据

  2. 元数据文件

  3. 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。

 

提示:如需下载本文,可登录云盘 http://pan.baidu.com/s/1ciu7Fo进行下载。

 

最新评论
访客 2024年04月08日

如果字段的最大可能长度超过255字节,那么长度值可能…

访客 2024年03月04日

只能说作者太用心了,优秀

访客 2024年02月23日

感谢详解

访客 2024年02月20日

一般干个7-8年(即30岁左右),能做到年入40w-50w;有…

访客 2023年08月20日

230721

活动预告