HDFS基本概念
1、HDFS设计思想
分而治之：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
2、概念和特性
概念：HDFS是一个分布式的文件系统。
特性：
（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，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data
（3）目录结构及文件分块信息(元数据)的管理由namenode节点承担
——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）
（4）文件的各个block的存储管理由datanode节点承担
---- datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）
（5）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
(注：适合用来做数据分析，并不适合用来做网盘应用，因为，不便修改，延迟大，网络开销大，成本太高)
HDFS基本操作（shell操作）
1、HDFS命令行客户端使用
2、命令行客户端支持的命令参数
3、常用命令参数介绍
|
-help 功能：输出这个命令参数手册 hadoop fs -help |
|
-ls 功能：显示目录信息 示例： hadoop fs -ls hdfs://hadoop1:9000/ 备注：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（hadoop fs -ls -R / 会列出所有嵌套文件） |
|
-mkdir 功能：在hdfs上创建目录 示例：hadoop fs -mkdir -p /aaa/bbb/cc/dd |
|
-moveFromLocal 功能：从本地剪切粘贴到hdfs 示例：hadoop fs - moveFromLocal /home/hadoop/a.txt /aaa/bbb/cc/dd -moveToLocal 功能：从hdfs剪切粘贴到本地 示例：hadoop fs - moveToLocal /aaa/bbb/cc/dd /home/hadoop/a.txt |
|
--appendToFile 功能：追加一个文件到已经存在的文件末尾 示例：hadoop fs -appendToFile ./hello.txt hdfs://hadoop-server01:9000/hello.txt 可以简写为： hadoop fs -appendToFile ./hello.txt /hello.txt
|
|
-cat 功能：显示文件内容 示例：hadoop fs -cat /hello.txt
-tail 功能：显示一个文件的末尾 示例：hadoop fs -tail /weblog/access_log.1 -text 功能：以字符形式打印一个文件的内容 示例：hadoop fs -text /weblog/access_log.1 |
|
-chgrp -chmod -chown 功能：linux文件系统中的用法一样，对文件所属权限 示例： hadoop fs -chmod 666 /hello.txt hadoop fs -chown someuser:somegrp /hello.txt |
|
-copyFromLocal 功能：从本地文件系统中拷贝文件到hdfs路径去 示例：hadoop fs -copyFromLocal ./jdk.tar.gz /aaa/ -copyToLocal 功能：从hdfs拷贝到本地 示例：hadoop fs -copyToLocal /aaa/jdk.tar.gz / |
|
-cp 功能：从hdfs的一个路径拷贝hdfs的另一个路径 示例： hadoop fs -cp /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
-mv 功能：在hdfs目录中移动文件 示例： hadoop fs -mv /aaa/jdk.tar.gz / |
|
-get 功能：等同于copyToLocal，就是从hdfs下载文件到本地 示例：hadoop fs -get /aaa/jdk.tar.gz / -getmerge 功能：合并下载多个文件 示例：比如hdfs的目录 /aaa/下有多个文件:log.1, log.2,log.3,... hadoop fs -getmerge /aaa/log.* ./log.sum |
|
-put 功能：等同于copyFromLocal 示例：hadoop fs -put /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
|
|
-rm 功能：删除文件或文件夹 示例：hadoop fs -rm -r /aaa/bbb/
-rmdir 功能：删除空目录 示例：hadoop fs -rmdir /aaa/bbb/ccc |
|
-df 功能：统计文件系统的可用空间信息 示例：hadoop fs -df -h /
-du 功能：统计文件夹的大小信息 示例： hadoop fs -du -s -h /aaa/*
|
|
-count 功能：统计一个指定目录下的文件节点数量 示例：hadoop fs -count /aaa/
|
|
-setrep 功能：设置hdfs中文件的副本数量 示例：hadoop fs -setrep 3 /aaa/jdk.tar.gz <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>
|
HDFS原理
1、HDFS的工作机制
1.1概述
- HDFS集群分为两大角色：NameNode、DataNode
- NameNode负责管理整个文件系统的元数据
- DataNode 负责管理用户的文件数据块
- 文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上
- 每一个文件块可以有多个副本，并存放在不同的datanode上
- Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量
- HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行
1.2HDFS写数据流程
1.2.1概述
客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后，客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本
1.2.2详细步骤图（上传文件）
1.2.3详细步骤解析
1、client跟namenode通信，请求上传文件，namenode检查目录树中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、client请求第一个block该传输到哪些datanode服务器上
4、namenode查询DataNode信息，然后返回3个可用的datanode服务器ABC给client
5、client请求3台DataNode中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将整个pipeline建立完成，逐级返回客户端
6、client开始往A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，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答
7、当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。
1.3HDFS读数据流程
1.3.1概述
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
1.3.2详细步骤图（下载文件）
1.3.3详细步骤解析
1、client跟namenode通信请求读取文件，namenode查询元数据，找到文件块所在的datanode服务器，然后将每个文件块所在的DataNode服务器返回给client
2、挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流
3、datanode开始发送数据（从磁盘里面读取数据放入流，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
2、NameNode工作机制
2.1namenode职责
负责客户端青请求的响应
元数据的管理（查询、修改）
2.2元数据管理
namenode对数据的管理采用了三种存储形式：
内存元数据（NameSystem）
磁盘元数据镜像文件
数据操作日志文件（可通过日志运算出元数据）
2.2.1元数据存储机制
A、内存中有一份完整的元数据(内存meta data)
B、磁盘有一个“准完整”的元数据镜像（fsimage）文件(在namenode的工作目录中)
C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志（edits文件）
注：当客户端对hdfs中的文件进行新增或者修改操作，操作记录首先被记入edits日志文件中，当客户端操作成功后，相应的元数据会更新到内存meta.data中
2.2.2元数据手动查看
可以通过hdfs的一个工具来查看edits中的信息
bin/hdfs oev -i edits -o edits.xml
bin/hdfs oiv -i fsimage_0000000000000000087 -p XML -o fsimage.xml
2.2.3元数据的checkpoint
每隔一段时间，会由secondary namenode将namenode上积累的所有edits和一个最新的fsimage下载到本地，并加载到内存进行merge（这个过程称为checkpoint）
checkpoint的详细过程
checkpoint操作的触发条件配置参数
|
dfs.namenode.checkpoint.check.period=60 #检查触发条件是否满足的频率，60秒 dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary #以上两个参数做checkpoint操作时，secondary namenode的本地工作目录 dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir}
dfs.namenode.checkpoint.max-retries=3 #最大重试次数 dfs.namenode.checkpoint.period=3600 #两次checkpoint之间的时间间隔3600秒 dfs.namenode.checkpoint.txns=1000000 #两次checkpoint之间最大的操作记录 |
checkpoint的附带作用
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
3、DataNode工作机制
3.1 概述
1、Datanode工作职责：
存储管理用户的文件块数据
定期向namenode汇报自身所持有的block信息（通过心跳信息上报）
（这点很重要，因为，当集群中发生某些block副本失效时，集群如何恢复block初始副本数量的问题）
|
<property> <name>dfs.blockreport.intervalMsec</name> <value>3600000</value> <description>Determines block reporting interval in milliseconds.</description> </property> |
2、Datanode掉线判断时限参数
datanode进程死亡或者网络故障造成datanode无法与namenode通信，namenode不会立即把该节点判定为死亡，要经过一段时间，这段时间暂称作超时时长。HDFS默认的超时时长为10分钟+30秒。如果定义超时时间为timeout，则超时时长的计算公式为：
timeout = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval。
而默认的heartbeat.recheck.interval 大小为5分钟，dfs.heartbeat.interval默认为3秒。
需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒，dfs.heartbeat.interval的单位为秒。所以，举个例子，如果heartbeat.recheck.interval设置为5000（毫秒），dfs.heartbeat.interval设置为3（秒，默认），则总的超时时间为40秒。
|
<property> <name>heartbeat.recheck.interval</name> <value>2000</value> </property> <property> <name>dfs.heartbeat.interval</name> <value>1</value> </property> |
3.2 观察验证DATANODE功能
上传一个文件，观察文件的block具体的物理存放情况：
在每一台datanode机器上的这个目录中能找到文件的切块：
/usr/local/hadoop/tmp/dfs/data/current/BP-193442119-192.168.2.120-1432457733977/current/finalized
HDFS应用开发（Java操作）
1、搭建开发环境
1.1引入依赖
手动引入jar包，hdfs的jar包位于hadoop安装目录的share文件夹下。
创建一个hdfsjar用户类库，然后将common和hdfs两个文件夹中的jar包全部添加进去。
1.2Windows下开发的说明
建议在Linux下进行hadoop应用的开发，这样不会存在兼容性问题。
如果在Windows上做客户端应用开发，需要设置一下环境：
A、在windows的某个目录下解压一个hadoop的安装 d:\hadoop-2.6.4
B、将安装包下的lib和bin目录用对应windows版本平台编译的本地库替换
C、在window系统中配置HADOOP_HOME指向你解压的安装包
HADOOP_HOME=d:\hadoop-2.6.4
D、在windows系统的path变量中加入hadoop的bin目录
PATH=d:\hadoop-2.6.4\bin
2、获取API中的客户端对象
在java中操作hdfs，首先要获得一个客户端实例
|
Configuration conf = new Configuration() FileSystem fs = FileSystem.get(conf) |
而我们的操作目标是HDFS，所以获取到的fs对象应该是DistributedFileSystem的实例；
get方法是从何处判断具体实例化那种客户端类呢？
——从conf中的一个参数 fs.defaultFS的配置值判断；
如果我们的代码中没有指定fs.defaultFS，并且工程classpath下也没有给定相应的配置，conf中的默认值就来自于hadoop的jar包中的core-default.xml，默认值为： file:///，则获取的将不是一个DistributedFileSystem的实例，而是一个本地文件系统的客户端对象
3、DistributedFileSystem实例对象所具备的方法
4、hdfs客户端操作数据代码
4.1文件的增删改查
1 package com.ahu.bigdata.javaclient;
2
3 import java.net.URI;
4 import org.apache.hadoop.conf.Configuration;
5 import org.apache.hadoop.fs.BlockLocation;
6 import org.apache.hadoop.fs.FileStatus;
7 import org.apache.hadoop.fs.FileSystem;
8 import org.apache.hadoop.fs.LocatedFileStatus;
9 import org.apache.hadoop.fs.Path;
10 import org.apache.hadoop.fs.RemoteIterator;
11
12 /**
13 * 使用hdfsJava客户端实现文件的增删改查
14 *
15 * @author ahu_lichang
16 *
17 */
18 public class HdfsClientDemo {
19 static FileSystem fs = null;
20
21 public static void init() throws Exception {
22 // 构造一个配置参数对象，设置一个参数：我们要访问的hdfs的URI
23 // 从而FileSystem.get()方法就知道应该是去构造一个访问hdfs文件系统的客户端，以及hdfs的访问地址
24 // new Configuration();的时候，它就会去加载jar包中的hdfs-default.xml
25 // 然后再加载classpath下的hdfs-site.xml
26 Configuration configuration = new Configuration();
27 // configuration.set("fs.defaultFS", "hdfs://hadoop1:9000");
28 /*
29 * 参数优先级：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、服务器的默认设置
30 */
31 // configuration.set("dfs.replication", "3");
32 // 获取一个hdfs的访问客户端，根据参数，这个实例应该是DistributedFileSystem的实例
33 // fs=FileSystem.get(configuration);
34 // 如果这样去获取，那configuration里面就可以不要配"fs.defaultFS"参数，而且，这个客户端的身份标识已经是root用户
35 fs = FileSystem.get(new URI("hdfs://hadoop1:9000"), configuration,
36 "root");
37 }
38
39 /**
40 * 向hdfs上传文件
41 *
42 * @throws Exception
43 */
44 public static void testAddFileToHdfs() throws Exception {
45 // 本地路径
46 Path src = new Path("E:/access.log");
47 // 目标路径
48 Path dst = new Path("/access.log.copy");
49 fs.copyFromLocalFile(src, dst);
50 fs.close();
51 }
52
53 /**
54 * 从hdfs中复制文件到本地文件系统
55 *
56 * @throws Exception
57 */
58 public static void testDownloadFileToLocal() throws Exception {
59 fs.copyToLocalFile(new Path("/access.log.copy"), new Path("E:/"));
60 fs.close();
61 }
62
63 /**
64 * 在hdfs中创建目录、删除文件夹、重命名文件或文件夹
65 *
66 * @throws Exception
67 */
68 public static void testMkdirAndDeleteAndRename() throws Exception {
69 // 创建目录
70 fs.mkdirs(new Path("/a1/b1/c1"));
71 // 删除文件夹，如果是非空文件夹，参数2必须给值true
72 fs.delete(new Path("/access.log.copy"), true);
73 // 重命名文件或文件夹
74 fs.rename(new Path("/a1"), new Path("/a2"));
75 }
76
77 /**
78 * 查看目录信息，只显示文件
79 *
80 * @throws Exception
81 */
82 public static void testListFiles() throws Exception {
83 RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(
84 new Path("/"), true);
85 while (listFiles.hasNext()) {
86 LocatedFileStatus fileStatus = listFiles.next();
87 System.out.println(fileStatus.getPath().getName());// job
88 System.out.println(fileStatus.getBlockSize());// 块大小（都一样大）
89 System.out.println(fileStatus.getPermission());// 权限
90 System.out.println(fileStatus.getLen());// 块大小
91 BlockLocation[] blockLocations = fileStatus.getBlockLocations();
92 for (BlockLocation blockLocation : blockLocations) {
93 System.out.println("block-length:" + blockLocation.getLength()
94 + "---" + "block-offset" + blockLocation.getOffset());// 块长度、块的起始偏移量
95 String[] hosts = blockLocation.getHosts();
96 for (String host : hosts) {// 块分布在哪些主机上
97 System.out.println(host);
98 }
99 }
100 System.out
101 .println("----------------------------------------------------------");
102 }
103 }
104
105 /**
106 * 查看文件及文件夹信息（跟hadoop fs -ls /查询的效果差不多）
107 *
108 * @throws Exception
109 */
110 public static void testListAll() throws Exception {
111 FileStatus[] listStatus = fs.listStatus(new Path("/"));
112 String flag = "d-- ";
113 for (FileStatus fileStatus : listStatus) {
114 if (fileStatus.isFile())
115 flag = "f-- ";
116 System.out.println(flag + fileStatus.getPath().getName());
117 }
118 }
119
120 public static void main(String[] args) throws Exception {
121 init();
122 // testAddFileToHdfs();
123 // testDownloadFileToLocal();
124 // testMkdirAndDeleteAndRename();
125 // testListFiles();
126 testListAll();
127 }
128 }
4.2通过流的方式访问hdfs和场景编程
1 package com.ahu.bigdata.javaclient;
2
3 import java.io.File;
4 import java.io.FileOutputStream;
5 import java.io.IOException;
6 import java.net.URI;
7 import org.apache.hadoop.conf.Configuration;
8 import org.apache.hadoop.fs.BlockLocation;
9 import org.apache.hadoop.fs.FSDataInputStream;
10 import org.apache.hadoop.fs.FileStatus;
11 import org.apache.hadoop.fs.FileSystem;
12 import org.apache.hadoop.fs.Path;
13 import org.apache.hadoop.io.IOUtils;
14
15 /**
16 * 通过流的方式访问hdfs
17 *
18 * 相对于那些封装好的方法而言的，是更底层的一些操作方式
19 *
20 * 上层的那些mapreduce、spark等运算框架，去hdfs中获取数据的时候，就是调用这种底层的api
21 *
22 * @author ahu_lichang
23 *
24 */
25 public class StreamAccess {
26 static FileSystem fs = null;
27
28 public static void init() throws Exception {
29 Configuration configuration = new Configuration();
30 fs = FileSystem.get(new URI("hdfs://hadoop1:9000"), configuration,
31 "root");
32 }
33
34 /**
35 * 将hdfs中的文件下载到本地
36 *
37 * @throws Exception
38 */
39 public static void testDownloadFileToLocal() throws Exception {
40 // 先获取一个文件的输入流---针对hdfs
41 FSDataInputStream inputStream = fs.open(new Path(
42 "/wordcount/output/part-r-00000"));
43 // 再构造一个文件的输出流---针对本地
44 FileOutputStream outputStream = new FileOutputStream(new File(
45 "E:/part-r-00000"));
46 // 将输入流中数据传输到输出流中
47 IOUtils.copyBytes(inputStream, outputStream, 4096);// 4096缓冲区大小
48 }
49
50 /**
51 * hdfs支持随机定位进行文件读取，而且可以方便地读取指定长度
52 *
53 * 用于上层分布式运算框架并发处理数据
54 *
55 * @throws Exception
56 */
57 public static void testRandomAccess() throws Exception {
58 // 先获取一个文件的输入流---针对hdfs
59 FSDataInputStream inputStream = fs.open(new Path(
60 "/wordcount/output/part-r-00000"));
61 // 可以将输入流的起始偏移量进行自定义
62 inputStream.seek(200);
63 // 再构造一个文件的输出流---针对本地
64 FileOutputStream outputStream = new FileOutputStream(new File(
65 "E:/part-r-custom"));
66 IOUtils.copyBytes(inputStream, outputStream, 4096L, true);// true表示传输完毕关闭流
67 }
68
69 /**
70 * 显示hdfs文件上的内容
71 *
72 * @throws Exception
73 */
74 public static void testCat() throws Exception {
75 FSDataInputStream inputStream = fs.open(new Path(
76 "/wordcount/output/part-r-00000"));
77 IOUtils.copyBytes(inputStream, System.out, 1024);
78 }
79
80 /**
81 * 场景编程：获取一个文件的所有block位置信息，然后读取指定block中的内容
82 *
83 * @throws IOException
84 * @throws IllegalArgumentException
85 */
86 public static void testBlockCat() throws Exception {
87 FSDataInputStream inputStream = fs.open(new Path(
88 "/wordcount/output/part-r-00000"));
89 // 拿到文件信息
90 FileStatus[] listStatus = fs.listStatus(new Path(
91 "/wordcount/output/part-r-00000"));
92 // 获取这个文件的所有block的信息
93 BlockLocation[] fileBlockLocations = fs.getFileBlockLocations(
94 listStatus[0], 0L, listStatus[0].getLen());
95 // 第一个block的长度
96 long length = fileBlockLocations[0].getLength();
97 // 第一个block的起始偏移量
98 long offset = fileBlockLocations[0].getOffset();
99 System.out.println(length);
100 System.out.println(offset);
101 // 获取第一个block写入输出流
102 byte[] b = new byte[4096];
103 FileOutputStream fos = new FileOutputStream(new File("E:/block0"));
104 while (inputStream.read(offset, b, 0, 4096) != -1) {
105 fos.write(b);
106 offset += 4096;
107 if (offset >= length)
108 return;
109 }
110 fos.flush();
111 fos.close();
112 inputStream.close();
113 }
114
115 public static void main(String[] args) throws Exception {
116 init();
117 // testDownloadFileToLocal();
118 // testRandomAccess();
119 // testCat();
120 testBlockCat();
121 }
122
123 }
来源：http://www.cnblogs.com/ahu-lichang/p/6771528.html