好程序员大数据学习路线分享HDFS学习总结
文章目录
好程序员大数据学习路线分享HDFS学习总结,HDFS介绍
HDFS(Hadoop Distributed File System)是分布式文件系统,是Hadoop项目的核心子项目.
设计思想:将大文件、大批量文件,分布式存放在大量服务器上,以便于采取分而治之的方式对海量数据进行运算分析。
HDFS的重要特性
- 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
- HDFS文件系统会给客户端提供一个统一的抽象目录树,客户端通过路径来访问文件
- 目录结构及文件分块信息(元数据)的管理由namenode节点承担
- 文件的各个block的存储管理由datanode节点承担
- HDFS是设计成适应一次写入,多次读出的场景,且不支持文件的修改
HDFS的优点
- 高可靠性
Hadoop按位存储和处理数据的能力强
- 高扩展性
Hadoop是在可用的计算机集群中分配数据完成计算计算任务
- 高效性
Hadoop能够在节点之间动态的移动数据,并保证每个节点的动态平衡
- 高容错性
Hadoop能够自动保存的多个副本,并且能够自动将失败的任务重新分配
HDFS的缺点
- 不适合低延迟访问,不能快速访问
HDFS是单Master的,所有的对文件的请求都要经过它,当请求多时,肯定会有延时。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
- 无法高效存储大量小文件
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(元数据)
- 不支持多用户写入即任意修改文件
仅支持数据append(追加),不支持文件随意修改
针对HDFS缺点可能的改进措施
- 多Master设计,正在研发中的GFS II也要改为分布式多Master设计,还支持Master的Failover,而且Block大小改为1M,有意要调优处理小文件。(Alibaba DFS的设计,也是多Master设计,它把Metadata的映射存储和管理分开了,由多个Metadata存储节点和一个查询Master节点组成。)
- 使用缓存或多master设计可以降低client的数据请求压力,以减少延时。
- 横向扩展,一个Hadoop集群能管理的小文件有限,那就把几个Hadoop集群拖在一个虚拟服务器后面,形成一个大的Hadoop集群。google也是这么干过的。
HDFS的Shell命令
| -help 输出命令的手册 |
|---|
-ls 显示目录信息 hadoop fs -ls hdfs://hadoop-server01:9000/ ps:这些参数中,所有的hdfs**路径都可以简写 -->hadoop fs -ls / 等同于上一条命令的效果 |
-put 向HDSF上传文件 hdfs dfs -put 本地文件路径 HDFS文件系统路径 <易错:记 源路径→目的路径>
|
-get 将HDFS文件系统中的文件下载回来 hdfs dfs -get HDFS文件系统路径 本地文件系统路径 <易错> ps:HDFS有一个和put和get类似的而方法 copyFromlocal 相当于put 和 copyTolocal 相当于 get |
-cat 查看HDFS文件系统中的文件内容 hdfs dfs -cat HDFS文件系统中文件的路径 ps:不要查看非文件 |
-cp HDFS文件系统中进行复制操作 hdfs dfs -cp 源HDFS文件系统中的文件路径 目标HDFS文件系统中的路径
|
-mv HDFS文件系统中的文件进行移动操作 hdfs dfs -mv 源HDFS文件系统中的文件路径 目标HDFS文件系统中的路径 ps: 将源文件移动目标路径,这个命令可允许有多个源路径,此时目标路径必须是一个文件夹(目录)不允许不同的文件系统互相移动文件 |
-du 查看HDFS文件系统中文件的大小 hdfs dfs -du HDFS文件系统中路径中的一个文件
|
-mkdir 在HDSF系统中创建文件夹 mkdir 创建文件夹 ps:递归创建+-p
|
-rm 删除HDFS文件系统中的目录或文件 hdfs dfs -rm HDFS文件系统路径 hdfs dfs -rm -r HDFS文件系统路径 ps: 只能是单个文件 或 空目录,若参数文件夹中有多个文件 加 -r |
-chmod 更改文件的权限 hdfs dfs -chmod -R 权限值 HDFS文件系统路径下的文件夹 ps: 所有每三位可以作为一个八进制处理 777是满权限 rwx ,+R之后, 文件夹下的所有子文件和文件夹都会被修改 |
-appendTofile 追加一个文件到已经存在文件的末尾 hadoop fs -appendTofile ./hello.txt /hello.txt
|
-getmerge 合并下载多个文件 hadoop fs -getmerge /aaa/log.* ./log.sum
|
-df 统计文件系统的可用空间信息 hadoop fs -df -h /
|
HDFS的工作机制
在了解工作机制之前,我们先来看看几个重要角色:
NameNode
- master,它是一个管理者,维护着整个文件系统的文件目录树
- 储存数据库(Block)映射信息,保存元数据信息包括:文件的所属权,文件的权限,文件大小,时间(Block列表,Block偏移量),位置信息
- 主要职责:处理客户端读写请求,收集DateNode汇报的Block列表信息<不会保存到本地系统中>
DateNode
- Slave,它是一个从节点,简单理解就是NameNode的奴隶
- 存储用户的文件块数据
- 主要职责:定期向NameNode汇报自身所持有的block信息(心跳机制),执行数据块的读/写操作
Secondary NameNode
- 检查点节点,表面上看SecondaryNameNode是NameNode的备份,实际上SecondaryNameNode的主要作用并不是备份
- 主要职责:定期合并fsimage和edit log ,并推送给NameNode
问题引入:一个已经 运行十年的集群,最近的fsimage(镜像)是NameNode十年前格式化产生,这么多年的操作日志被edit log(日志)记录已达几百T。那么问题来了,如果我要重启这个集群,这么大日志文件,必定要重启很久,我们的时间并不充裕该 如何解决这个问题?
<问题提取:只要NameNode不格式化或重新启动,fsimage将保持原始状态,edits会不断的增加 >
此时我们引入Secondary NameNode, 把PN中的edit log 和fsimage在SN中merge,此时PN还会继续产生新的日志,记录合并和合并期间的操作,合并之后新fsimage会拷贝回PN中,循环上面的操作.以此能保持edit log文件处于比较小的状态,fsimage的时间点也不会太久远
fsimage是如何产生的呢?
HDFS系统要开始运行的时候需要先对NameNode进行一次格式化,那么第一次格式化就会产生一个fsimage文件,但是这个文件是个空文件,NameNode启动的时候会加载fsimage 然后执行edit log加载到内存中,然后立刻向磁盘中写一个新的fsimage文件,这个fsimage就是一个最新的储存信息
紧急情况时,可以辅助恢复NameNode
namenode和secondary namenode的工作目录存储结构完全相同,所以,当namenode故障退出需要重新恢复时,可以从secondary namenode的工作目录中将fsimage拷贝到namenode的工作目录,以恢复namenode的元数据
HDFS读写数据流程
HDFS读数据流程
简单版本
客户端将要读取的文件路径发送给namenode,namenode获取文件的元信息(主要是block的存放位置信息)返回给客户端,客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件
评论
登录后参与技术讨论,分享你的经验与见解。
登录 / 注册暂无评论