HDFS 入門和基本操作

1、HDFS 是做什么的

　　Hadoop實現(xiàn)了一個分布式文件系統(tǒng)（Hadoop Distributed File System），簡稱HDFS，hdfs是分布式計算中數(shù)據(jù)存儲管理的基礎(chǔ)，是基于流數(shù)據(jù)模式訪問和處理超大文件的需求而開發(fā)的，可以運行于廉價的商用服務(wù)器上。它所具有的高容錯、高可靠性、高可擴展性、高獲得性、高吞吐率等特征為海量數(shù)據(jù)提供了不怕故障的存儲，為超大數(shù)據(jù)集（Large Data Set）的應(yīng)用處理帶來了很多便利。

2、為什么選擇 HDFS 存儲數(shù)據(jù)

　 之所以選擇 HDFS 存儲數(shù)據(jù)，因為 HDFS 具有以下優(yōu)點：

? 數(shù)據(jù)自動保存多個副本。它通過增加副本的形式，提高容錯性。

? 某一個副本丟失以后，它可以自動恢復(fù)，這是由 HDFS 內(nèi)部機制實現(xiàn)的，我們不必關(guān)心。

? 它是通過移動計算而不是移動數(shù)據(jù)。

? 它會把數(shù)據(jù)位置暴露給計算框架。

     處理數(shù)據(jù)達(dá)到 GB、TB、甚至PB級別的數(shù)據(jù)。

? 能夠處理百萬規(guī)模以上的文件數(shù)量，數(shù)量相當(dāng)之大。

? 能夠處理10K節(jié)點的規(guī)模。

? 一次寫入，多次讀取。文件一旦寫入不能修改，只能追加。

? 它能保證數(shù)據(jù)的一致性。

　　5、可構(gòu)建在廉價機器上

? 它通過多副本機制，提高可靠性。

? 它提供了容錯和恢復(fù)機制。比如某一個副本丟失，可以通過其它副本來恢復(fù)。

　　當(dāng)然 HDFS 也有它的劣勢，并不適合所有的場合：

? 比如毫秒級的來存儲數(shù)據(jù)，這是不行的，它做不到。

? 它適合高吞吐率的場景，就是在某一時間內(nèi)寫入大量的數(shù)據(jù)。但是它在低延時的情況下是不行的，比如毫秒級以內(nèi)讀取數(shù)據(jù)，這樣它是很難做到的。

? 存儲大量小文件(這里的小文件是指小于HDFS系統(tǒng)的Block大小的文件（默認(rèn)64M）)的話，它會占用 NameNode大量的內(nèi)存來存儲文件、目錄和塊信息。這樣是不可取的，因為NameNode的內(nèi)存總是有限的

? 小文件存儲的尋道時間會超過讀取時間，它違反了HDFS的設(shè)計目標(biāo)。

? 一個文件只能有一個寫，不允許多個線程同時寫。

? 僅支持?jǐn)?shù)據(jù) append（追加），不支持文件的隨機修改。

3、內(nèi)部結(jié)構(gòu)

HDFS 如何上傳數(shù)據(jù)

HDFS 采用Master/Slave的架構(gòu)來存儲數(shù)據(jù)，這種架構(gòu)主要由四個部分組成，分別為HDFS Client、NameNode、DataNode和Secondary NameNode。下面我們分別介紹這四個組成部分

• 文件切分。文件上傳 HDFS 的時候，Client 將文件切分成 一個一個的Block，然后進(jìn)行存儲。
• 與 NameNode 交互，獲取文件的位置信息。
• 與 DataNode 交互，讀取或者寫入數(shù)據(jù)。
• Client 提供一些命令來管理 HDFS，比如啟動或者關(guān)閉HDFS。
• Client 可以通過一些命令來訪問 HDFS。

• 管理 HDFS 的名稱空間
• 管理數(shù)據(jù)塊（Block）映射信息
• 配置副本策略
• 處理客戶端讀寫請求。

• 存儲實際的數(shù)據(jù)塊。
• 執(zhí)行數(shù)據(jù)塊的讀/寫操作。

• 輔助 NameNode，分擔(dān)其工作量。
• 定期合并 fsimage和fsedits，并推送給NameNode。
• 在緊急情況下，可輔助恢復(fù) NameNode。

5、HDFS 如何讀取文件

HDFS的文件讀取原理，主要包括以下幾個步驟：

• 首先調(diào)用FileSystem對象的open方法，其實獲取的是一個DistributedFileSystem的實例。
• DistributedFileSystem通過RPC(遠(yuǎn)程過程調(diào)用)獲得文件的第一批block的locations，同一block按照重復(fù)數(shù)會返回多個locations，這些locations按照hadoop拓?fù)浣Y(jié)構(gòu)排序，距離客戶端近的排在前面。
• 前兩步會返回一個FSDataInputStream對象，該對象會被封裝成 DFSInputStream對象，DFSInputStream可以方便的管理datanode和namenode數(shù)據(jù)流?？蛻舳苏{(diào)用read方法，DFSInputStream就會找出離客戶端最近的datanode并連接datanode。
• 數(shù)據(jù)從datanode源源不斷的流向客戶端。
• 如果第一個block塊的數(shù)據(jù)讀完了，就會關(guān)閉指向第一個block塊的datanode連接，接著讀取下一個block塊。這些操作對客戶端來說是透明的，從客戶端的角度來看只是讀一個持續(xù)不斷的流。
• 如果第一批block都讀完了，DFSInputStream就會去namenode拿下一批blocks的location，然后繼續(xù)讀，如果所有的block塊都讀完，這時就會關(guān)閉掉所有的流。

6、HDFS 如何寫入文件

HDFS的文件寫入原理，主要包括以下幾個步驟：

• 客戶端通過調(diào)用 DistributedFileSystem 的create方法，創(chuàng)建一個新的文件。
• DistributedFileSystem 通過 RPC（遠(yuǎn)程過程調(diào)用）調(diào)用 NameNode，去創(chuàng)建一個沒有blocks關(guān)聯(lián)的新文件。創(chuàng)建前，NameNode 會做各種校驗，比如文件是否存在，客戶端有無權(quán)限去創(chuàng)建等。如果校驗通過，NameNode 就會記錄下新文件，否則就會拋出IO異常。
• 前兩步結(jié)束后會返回 FSDataOutputStream 的對象，和讀文件的時候相似，F(xiàn)SDataOutputStream 被封裝成 DFSOutputStream，DFSOutputStream 可以協(xié)調(diào) NameNode和 DataNode?？蛻舳碎_始寫數(shù)據(jù)到DFSOutputStream,DFSOutputStream會把數(shù)據(jù)切成一個個小packet，然后排成隊列 data queue。
• DataStreamer 會去處理接受 data queue，它先問詢 NameNode 這個新的 block 最適合存儲的在哪幾個DataNode里，比如重復(fù)數(shù)是3，那么就找到3個最適合的 DataNode，把它們排成一個 pipeline。DataStreamer 把 packet 按隊列輸出到管道的第一個 DataNode 中，第一個 DataNode又把 packet 輸出到第二個 DataNode 中，以此類推。
• DFSOutputStream 還有一個隊列叫 ack queue，也是由 packet 組成，等待DataNode的收到響應(yīng)，當(dāng)pipeline中的所有DataNode都表示已經(jīng)收到的時候，這時akc queue才會把對應(yīng)的packet包移除掉。
• 客戶端完成寫數(shù)據(jù)后，調(diào)用close方法關(guān)閉寫入流。
• DataStreamer 把剩余的包都刷到 pipeline 里，然后等待 ack 信息，收到最后一個 ack 后，通知 DataNode 把文件標(biāo)示為已完成。

7、命令行接口

兩個屬性項： fs.default.name 用來設(shè)置Hadoop的默認(rèn)文件系統(tǒng)，設(shè)置hdfs URL則是配置HDFS為Hadoop的默認(rèn)文件系統(tǒng)。dfs.replication 設(shè)置文件系統(tǒng)塊的副本個數(shù)

文件系統(tǒng)的基本操作：hadoop fs -help可以獲取所有的命令及其解釋

常用的有：

• hadoop fs -ls / 列出hdfs文件系統(tǒng)根目錄下的目錄和文件
• hadoop fs -put<local path> <hdfs path> 從本地文件系統(tǒng)將一個文件上傳到HDFS
• hadoop fs -get<hdfs path> <local path> 從本地文件系統(tǒng)將一個文件上傳到HDFS
• hadoop fs -rm -r <hdfs dir or file> 刪除文件或文件夾及文件夾下的文件
• hadoop fs -mkdir <hdfs dir>在hdfs中新建文件夾

操作路程

• cd hadoop.2.5.2

• cd sbin

• ./start-all.sh //啟動hdfs服務(wù)，yarn服務(wù)

• cd ..

• cd bin

• ./haoop dfs –ls / 解釋：./hdfs 是hdfs命令 dfs參數(shù) 表示在hadoop里有效 –ls /顯示hdfs根目錄

• ./haoop dfs –rm /test/count/SUCCESS //刪除/test/count目錄里的SUCCESS文件

• ./haoop dfs –rmr /test/count/output //刪除/test/count/output目錄

• ./haoop dfs –mkdir /test/count/input //創(chuàng)建/test/count/input目錄

• 從linux的 共享文件夾取得要分析的文件，上傳到 hdfs

  ./hadoop fs –put /mnt/hgfs/share/phone.txt /test/network

• 執(zhí)行代碼分析，

  ./hadoop jar /mnt/hgfs/share/mobile.jar com.wanho.hadoopmobile.PhoneDriver

• 將產(chǎn)生的結(jié)果，傳回linux的共享文件夾

  ./hadoop fs –get /test/network/output1 /mnt/hgfs/share