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：
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？