分布式文件系统与HDFS

HDFS，它是一个虚拟文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。

HDFS 的设计适合一次写入，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，并不适合用来做网盘应用。

模块名称	模块介绍
Common	其他组件的公共依赖模块
HDFS	分布式存储模块提供高吞吐量的数据访问
Mapreduce	分布式计算模块
Yarn	作业调度和集群资源管理模块

 

思考！！！！！！！！！

什么是大数据？
为什么对于网络要求越来越高？
1.信息量越来越大
2.用网设备多
3.响应时间要短
01.web的响应时间
02.猜你喜欢 ==> 后台计算（大数据）

大数据技术是海量数据的处理和计算的技术
Nginx
Tomcat
数据库
普通运维
大数据运维：特别的维护大数据组件（多、杂、难）
1、大数据组件的安装
2、大数据架构
3、大数据的配置文件及原理有一定的了解
	Hadoop
	Zookeeper
	Hive
	Hbase
	Flume
	Kafka
	Spark
	Flink
	Mahout。。。
		
	分布式原理 => 典型的是hadoop

　　

Hadoop是大数据的基础组件。基本上所有的其他组件都依赖于Hadoop

简单的数据处理是直接将数据加载到内存，进行计算
然而数据量到内存瓶颈，会OOM（out of memory）

分布式存储：
将数据以块为单位切割，并发送到所有的分布式存储节点
但是，数据对于用户来说，显示为单一的文件

相当于raid1 + raid0，以软件形式实现的，不需要额外的硬件维护

分布式计算：
多台主机的算力，协同在一起，共同提供计算


大数据平台建设：

搭建的两个设想：
1、用桥接模式，每人贡献一个虚拟的节点。分组组成多个集群。
2、用NAT模式，每人都搭建一个虚拟的集群。

我们可以使用NAT模式，指定三台虚拟机，每台2G

环境搭建：

1、修改ip：

 hadoop01   10.0.0.101
 hadoop02   10.0.0.102
 hadoop03   10.0.0.103 

2、修改hosts文件

 10.0.0.101 hadoop01 
 10.0.0.102 hadoop02 
 10.0.0.103 hadoop03 

   修改完之后记得分发 三台上都要

3、安装jdk（三台都要）

 1）解压 /soft
 2）环境变量 /etc/profile

 export JAVA_HOME=/soft/jdk1.8.0_131
 export PATH=$PATH:$JAVA_HOME/bin ​

 3）source

 source /etc/profile​

 4）验证

 java -version
java version "1.8.0_131"
Java(TM) SE Runtime Environment (build 1.8.0_131-b11)
Java HotSpot(TM) 64-Bit Server VM (build 25.131-b11, mixed mode)​

 5）将/soft和/etc/profile发送到其他节点

 scp -r /soft/ 10.0.0.102:/
 scp -r /soft/ 10.0.0.103:/
 scp /etc/profile 10.0.0.102:/etc
 scp /etc/profile 10.0.0.103:/etc

4、Hadoop安装

1)分配节点：

 master ==> hadoop01
 slave节点 => hadoop01-hadoop03

2）安装

 1、解压+环境变量 

 tar -xzvf ~/hadoop-2.7.3.tar.gz -C /soft/
 export HADOOP_HOME=/soft/hadoop-2.7.3
 export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

　　

 2、配置四个配置文件

   hadoop-env.sh
   core-site.xml
   hdfs-site.xml
   slaves

配置文件所在目录为/soft/hadoop-2.7.3/etc/hadoop
vi hadoop-env.sh
#第25行改为
 export JAVA_HOME=/soft/jdk1.8.0_131

vi  core-site.xml  ###将之前的文件清空并粘贴如下内容
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <!-- 这个配置意思是设置master节点信息 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop01:8020</value>
    </property>
    <!-- 这个配置意思是设置hadoop的工作目录，包括索引数据和真实数据的存储位置 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/soft/hadoop-2.7.3/data/tmp</value>
    </property>
</configuration>

vi hdfs-site.xml    ### 将之前的文件清空并粘贴如下内容
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <!-- 配置hdfs的块存储默认副本数 -->
    <property>
        <name>dfs.replication</name>
        <value>3</value>
    </property>
    <!-- 配置2nn的节点位置 -->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop03:50090</value>
    </property>
</configuration>

vi  slaves  ### 将之前的文件清空并粘贴如下内容
hadoop01
hadoop02
hadoop03  

 3、分发hadoop包和环境变量
将hadoop01上的hadoop整个文件夹所有文件复制到其他两台机子上
 ​
 4、在保证之前配置文件全部ok的前提下，格式化文件系统

格式化hdfs文件系统（只需一次）
 [centos@hadoop01 ~]$ hdfs namenode -format

5 配置hadoop01到hadoop[01-03]的免密登录

   ssh-keygen -t rsa 
   ssh-copy-id hadoop01
   ssh-copy-id hadoop02
   ssh-copy-id hadoop03　

6、在hadoop01上启动所有进程

start-dfs.sh　　

7、正常条件下 用jps查看进程

[hadoop01]
 18946 DataNode
 18843 NameNode
 19196 Jps
 ​
 [hadoop02]
 10194 Jps
 10125 DataNode
 ​
 [hadoop03]
 17680 SecondaryNameNode
 17603 DataNode
 17742 Jps

关闭防火墙

 systemctl stop firewalld
 systemctl disable firewalld

HDFS相关命令

 启动hdfs    //在master启动
   start-dfs.sh
   
 在hdfs上创建数据（文件夹） 
   hdfs dfs -mkdir xxx
   hdfs dfs -touchz 1.txt
   
 改：hdfs文件不支持随意改动，但是文件可以追加
   hdfs dfs -appendToFile slaves /1.txt
   
 本地文件上传到hdfs
   hdfs dfs -put slaves /
 ​
 hdfs文件下载到本地
   hdfs dfs -get /slaves .
 ​
 查看hdfs数据  
   hdfs dfs -ls /
   hdfs dfs -cat /slaves

HDFS进程：

 Namenode      //名称节点      //存放元数据（索引数据）：fsimage + edits
           //web端口   50070
           //集群通信端口  8020
 Datanode      //数据节点      //存放真实的块数据：128M一次切割
           //web端口   50075
           //集群通信端口  50020
 Seondarynamenode  //辅助名称节点    //辅助namenode进行元数据的更新
           //web端口   50090
           //集群通信端口  50090
 在存储时候，真实数据存储在datanode上　　

注意：  hdfs进程详解

进程名称	进程详解
Namenode	是整个文件系统的管理节点。它维护着整个文件系统的文件目录树，文件/目录的元信息和每个文件对应的数据块列表。接收用户的操作请求。
Datanode	提供真实文件数据的存储服务。
SecondaryNamenode	辅助Namenode保存元数据，提供元数据的恢复

   

hdfs相关端口说明

  hadoop守护进程一般同时运行RPC和HTTP两个服务器，RPC服务器支持守护进程进的通信， HTTP服务器则提供与用户交互的Web页面

进程名称	RPC端口	HTTP端口
Namenode	8020	50070
Datanode	50020	50075
SecondaryNamenode	50090	50090

 

 

 

 
小要求：把jdk安装包（.tar.gz）传到hdfs上，并查看块数据（分了几个块？一个块多大？）

 hdfs dfs mkdir /
 hdfs dfs put jdk-8u131-linux-x64.tar.gz /
 得出结论，数据是按照128M进行切块存储，每个块单独作为存储单位
​

HDFS中的真实数据：

 镜像数据：以fsimage开头，存放其中包含 HDFS文件系统的所有目录和文件信息
 编辑日志：以edits开头，存放用户对文件的写操作​
 所以，一个文件，在经历过编辑日志里面记录的所有操作后才会形成fsimage里面的一个inode​
 在默认条件下，edits和fsimage会周期性的每一小时，进行一次更新，形成最新的数据，保证hdfs的元数据的最新

回收站：

 生产环境下务必要配置（后悔药）

 <!--  在core-site.xml中添加配置 -->
 <property>
     <!--  配置回收站的存储超时时长 -->
     <name>fs.trash.interval</name>
 <value>1440</value>   
 </property>​

 ​
 清除回收站超时未删除的文件

 [centos@hadoop01 ~]$ hdfs dfs -expunge

HDFS中的不成文规定：

 1M数据 = 1x1024x1024 = 1048576个 ====> 对应namenode内存1000M
 ​
 禁止存储大量小文件
 如果生成了，怎么处理？