大数据-hadoop生态之-HDFS

一、HDFS初识

 hdfs的概念：

　　HDFS,它是一个文件系统,用于存储文件,通过目录树定位文件,其次,他是分布式的,由很多服务器联合起来 实现功能,集群中的服务器各有各自的角色

       HDFS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,并不适合做网盘等应用

HDFS的组成：

　　HDFS集群包括,NameNode和DataNode以及Secondary NameNode

       NameNode负责管理整个文件系统的元数据,以及每一个路径(文件) 所对应的数据块信息

       DataNode负责管理用户的文件数据块,每一个数据块可以在多个NameNode上存储多副本

       SecondNameNode 用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据的快照

HDFS的快比磁盘块大的原因：

       目的是为了最小寻址开销 寻址时间为传输时间的1%时,则为最佳状态。

hdfs-默认Block块大小是128M hadoop2.0以下默认块是64M,通过hdfs的web端 可以看到数据块的BlockId 和 当前数据分为多少个Block 例如2G的数据, 会分成16个Block块. 而且如果最后一个块分配不满的话,会动态伸缩 不会固定占用128M

二、当一个DataNode进程挂掉,数据还会继续同步吗？

    会的hdfs-client会报错,但是数据会继续上传, 通过web端查看 还会显示3副本,可用副本为2,当DataNode启动后,副本会进行重建,  如果datanode出现问题 client会重新获取datanode节点 进行同步

查看DataNode的日志

三、HDFS启动和停止说明

sbin/hadoop-daemon.sh start namenode 单独启动NameNode守护进程

sbin/hadoop-daemon.sh stop namenode 单独停止NameNode守护进程

sbin/hadoop-daemon.sh start datanode 单独启动DataNode守护进程

sbin/hadoop-daemon.sh stop datanode 单独停止DataNode守护进程

四、HDFS操作命令大全

1. -help 输出这个命令的参数

五、HDFS的数据流之文件写入

　　　　

1. 客户端向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上传到哪个datanode服务器上
4. namenode返回三个datanode节点,分别为dn1,dn2,dn3
5. 客户端请求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本地缓存),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,客户端会再次请求namenode上传第二个block

六、HDFS的数据流之文件读取

  

1. 客户端向namenode请求下载文件,namenode通过查询元数据,找到文件所在的datanode 地址(多个)
2. 通过就近原则 然后随机挑选一台datanode 请求读取数据
3. datanode 开始传输数据给客户端(从磁盘里读取数据放入流,以packet为单位校验)
4. 客户端以packet为单位接收,现在本地缓存,在写入目标文件

7、HDFS的机架感知

　　1、查看是否开启机架感知

　　　　　　hdfs dfsadmin -printTopology

        

　　hadoop2.7.2副本节点选择

　　　　第一个副本在client所处的节点上,如果客户端在集群外,随机选择一个

              第二个副本和第一个副本在相同机架,随机节点

              第三个副本位于不同机架,随机节点

　　通过web配置 或者 生成规定格式的Topology文件 在启动hdfs

8、HDFS查看Block详细信息

　　hdfs fsck /data -files -blocks

　　

9、HDFS让编辑日志 进行滚动

　　hdfs dfsadmin -rollEdits

     

10、HDFS之NameNode和SecondNameNode工作机制

　　　　

1. 第一阶段:nameNode启动

             1.第一次启动namenode格式化后,创建fsimage和edits文件,如果不是第一次启动,直接加载编辑日志和镜像文件到内存中

             2.客户端对元数据进行增删改的请求

             3.NameNode记录操作日志,更新滚动日志 --编辑日志,fsimage只在启动读取(索引)

             4.nameNode在内存对数据进行增删改查

        2.第二阶段 SecondNameNode工作

            1.SecondNameNode询问namenode是否需要checkpoint。直接返回namenode是否检查结果

            2.Second NameNode请求执行checkpoint

            3.nameNode滚动正在写的edits日志

            4.将滚动前的编辑日志和镜像文件拷贝到Second NameNode

            5.SecondNameNode加载编辑日志和镜像文件 进行合并

            6.生成新的镜像文件fsimage.chkpoint

            7.拷贝fsimage.chkpoint到namenode

            8.namenode将新的fsimage.chkpoint重命名为fsimage

        3.web查看Second NameNode http://xxxxx:50090

        4.chkpoint检查时间参数设置

           通常情况下每隔一个小时执行一次，或者一分钟检查一次操作次数,当操作次数达到1百万时候 执行一次

           

11、当datanode挂了,通过web端查看 LastContact会一直增加

 12、查看namenode版本号

　　/tmp/dfs/name/current这目录下有个VERSION

　　

　　ClusterID 集群的唯一ID 全局唯一

　　PS：

　　　　我今天不小心格式化了两次hdfs 为啥出现datanode就起不来?
　　　　解决方案1：
　　　　将所有节点的VERSION文件的clusterID改为一致

　　　　解决方案2：
　　　　将所有节点的临时目录全部删除(data/tmp)，重新格式化namenode即可

　　　　单独启动所有节点的datanode
　　　　hadoop-daemons.sh start datanode

　　　　注意：
　　　　在格式化hdfs的时候务必要关闭hdfs进程

13、集群安全模式

　　1.NameNode启动时,首先将镜像文件(fsimage)载入内存,并执行编辑日志(edits)中的各项操作,一旦在内存成功建立文件系统元数据镜像,则创建一个新的fsimage文件和一个空的编辑日志,此时,nameNode开始监听datanode请求,但是此刻,namenode运行的安全模式,即namenode的文件系统对于客户端是只读的.

　　系统中的数据块的位置并不是由namenode维护的,而是以块列表的形式存储在datanode中,在系统正常操作期间,namenode会在内存中保留所有的块的映射信息,在安全模式下,各个datanode会向namenode发送最新块列表信息,namenode了解到足够多的块位置之后,既可高效运行文件系统

       如果满足"最小副本条件",namenode会在30秒之后退出安全模式,最小条件:整个文件系统99.9%的块满足最小副本级别(默认值:dfs.replication.min=1)，在启动一个刚格式化 没有任何块的集群,不会进入安全模式

　　

        [search@bsq10 current]$ hdfs dfsadmin -safemode get  查看安全模式
         Safe mode is OFF

　　hdfs dfsadmin -safemode enter  进入安全模式

　　hdfs dfsadmin -safemode leave 退出安全模式

       hdfs dfsadmin -safemode wait 等待安全模式

        

14、HDFS之DataNode工作机制

1.  一个数据块在datanode上以文件形式存储在磁盘上,包括两个文件 一个是数据本身,一个是元数据包括数据块的长度、块数据的校验和,以及时间戳
2. DataNode启动后向namenode注册 通过 周期性(1小时) 向namenode上报所有块的信息
3. 心跳是每3秒一次,心跳返回结果带有namenode给该datanode的命令如复制块数据到另外一台机器,或者删除某个数据块,如果超过10分钟没有收到某个datanode的心跳 则确认该节点不可用
4. 集群运行中可以安全加入和退出一些机器

15、补充

　　2nn如何恢复namenode的数据：
　　　　1、将2nn的数据放置到namenode的工作目录
　　　　2、通过hdfs namenode -recover恢复数据
　　　　3、重启hdfs

　　　　namenode和Datanode的真实数据(工作目录)
　　　　　　===========================================================
　　　　namenode存储HDFS的fsimage(镜像文件) + edits(编辑日志)

　　　　　　（1） Fsimage 文件：HDFS 文件系统元数据的一个永久性的检查点，其中包含 HDFS文件系统的所有目录和文件 idnode 的序列化信息。 //存放所有文件(夹)的索引
　　　　　　（2） Edits 文件：存放 HDFS 文件系统的所有更新的操作，文件系统客户端执行的所有写操作首先会被记录到 edits 文件中。 //存放操作