HDFS概述

HDFS产生背景及定义

随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。HDFS（Hadoop Distributed File System），它是一个文件系统，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。

HDFS的优缺点

优点

  • 高容错性
    数据自动保存多个副本。它通过增加副本的形式，提高容错性。 某一个副本丢失以后，它可以自动恢复。
  • 适合处理大数据
    数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据； 文件规模：能够处理百万规模以上的文件数量，数量相当之大。
  • 可构建在廉价机器上，通过多副本机制，提高可靠性。

缺点

  • 不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。
  • 无法高效的对大量小文件进行存储。
    存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的； 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
  • 不支持并发写入、文件随机修改。
    一个文件只能有一个写，不允许多个线程同时写； 仅支持数据append（追加），不支持文件的随机修改。

HDFS组成架构

image-left

HDFS文件块大小

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。

如果寻址时间约为10ms，即查找到目标block的时间为10ms。寻址时间为传输时间的1%时，则为最佳状态。因此，传输时间=10ms/0.01=1000ms=1s，而目前磁盘的传输速率普遍为100MB/s。 100MB/S * 1s=100MB，考虑到磁盘是用二进制存储，那么最接近100MB的是128MB。
寻址时间=寻道时间+旋转延迟
寻道时间Tseek 是指将读写磁头移动至正确的磁道上所需要的时间。寻道时间越短，I/O操作越快，目前磁盘的平均寻道时间一般在3－15ms。
旋转延迟Trotation 是指盘片旋转将请求数据所在扇区移至读写磁头下方所需要的时间。旋转延迟取决于磁盘转速，通常使用磁盘旋转一周所需时间的1/2表示。比如，7200 rpm的磁盘平均旋转延迟大约为60*1000/7200/2 = 4.17ms，而转速为15000 rpm的磁盘其平均旋转延迟为2ms。

由于一个map对应一个block，blocksize也不能太大，合理使用集群资源。HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。HDFS块的大小设置主要取决于磁盘传输速率。

HDFS的shell操作

基本语法 hadoop fs 具体命令 或者 hdfs dfs 具体命令

$> bin/hdfs dfs -help

[-appendToFile <localsrc> ... <dst>]
[-cat [-ignoreCrc] <src> ...]
[-checksum <src> ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] <localsrc> ... <dst>]
[-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-count [-q] <path> ...]
[-cp [-f] [-p] <src> ... <dst>]
[-createSnapshot <snapshotDir> [<snapshotName>]]
[-deleteSnapshot <snapshotDir> <snapshotName>]
[-df [-h] [<path> ...]]
[-du [-s] [-h] <path> ...]
[-expunge]
[-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-getfacl [-R] <path>]
[-getmerge [-nl] <src> <localdst>]
[-help [cmd ...]]
[-ls [-d] [-h] [-R] [<path> ...]]
[-mkdir [-p] <path> ...]
[-moveFromLocal <localsrc> ... <dst>]
[-moveToLocal <src> <localdst>]
[-mv <src> ... <dst>]
[-put [-f] [-p] <localsrc> ... <dst>]
[-renameSnapshot <snapshotDir> <oldName> <newName>]
[-rm [-f] [-r|-R] [-skipTrash] <src> ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
[-setrep [-R] [-w] <rep> <path> ...]
[-stat [format] <path> ...]
[-tail [-f] <file>]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src> ...]
[-touchz <path> ...]
[-usage [cmd ...]]

HDFS客户端操作

HDFS客户端环境准备

根据自己电脑的操作系统拷贝对应的编译后的hadoop jar包到非中文路径（例如：D:\Develop\hadoop-2.7.2）。 配置HADOOP_HOME环境变量、配置Path环境变量，创建一个Maven工程HdfsClientDemo，导入相应的依赖坐标+日志添加。

<dependencies>
	<dependency>
		<groupId>junit</groupId>
		<artifactId>junit</artifactId>
		<version>RELEASE</version>
	</dependency>
	<dependency>
		<groupId>org.apache.logging.log4j</groupId>
		<artifactId>log4j-core</artifactId>
		<version>2.8.2</version>
	</dependency>
	<dependency>
		<groupId>org.apache.hadoop</groupId>
		<artifactId>hadoop-common</artifactId>
		<version>2.7.2</version>
	</dependency>
	<dependency>
		<groupId>org.apache.hadoop</groupId>
		<artifactId>hadoop-client</artifactId>
		<version>2.7.2</version>
	</dependency>
	<dependency>
		<groupId>org.apache.hadoop</groupId>
		<artifactId>hadoop-hdfs</artifactId>
		<version>2.7.2</version>
	</dependency>
	<dependency>
		<groupId>jdk.tools</groupId>
		<artifactId>jdk.tools</artifactId>
		<version>1.8</version>
		<scope>system</scope>
		<systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>
	</dependency>
</dependencies>
注意：如果Eclipse/Idea打印不出日志，在控制台上只显示
log4j:WARN No appenders could be found for logger (org.apache.hadoop.util.Shell).  
log4j:WARN Please initialize the log4j system properly.  
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
需要在项目的src/main/resources目录下，新建一个文件，命名为“log4j.properties”，在文件中填入
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

创建包名：com.atguigu.hdfs 创建HdfsClient类

public class HdfsClient{	
	@Test
	public void testMkdirs() throws IOException, InterruptedException, URISyntaxException{
		
		// 1 获取文件系统
		Configuration configuration = new Configuration();
		// 配置在集群上运行
		// configuration.set("fs.defaultFS", "hdfs://hadoop100:9000");
		// FileSystem fs = FileSystem.get(configuration);

		FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");
		
		// 2 创建目录
		fs.mkdirs(new Path("/1108/daxian/banzhang"));
		
		// 3 关闭资源
		fs.close();
	}
}

运行时需要配置用户名称，客户端去操作HDFS时，是有一个用户身份的。默认情况下，HDFS客户端API会从JVM中获取一个参数来作为自己的用户身份：-DHADOOP_USER_NAME=atguigu，atguigu为用户名称。

HDFS的API操作

HDFS文件上传

编写源代码

@Test
public void testCopyFromLocalFile() throws IOException, InterruptedException, URISyntaxException {

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	configuration.set("dfs.replication", "2");
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");

	// 2 上传文件
	fs.copyFromLocalFile(new Path("e:/banzhang.txt"), new Path("/banzhang.txt"));

	// 3 关闭资源
	fs.close();

	System.out.println("over");
}

将hdfs-site.xml拷贝到项目的根目录下

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<property>
		<name>dfs.replication</name>
	<value>1</value>
	</property>
</configuration>

参数优先级排序：
客户端代码中设置的值 > ClassPath下的用户自定义配置文件 > 然后是服务器的默认配置

HDFS文件下载

@Test
public void testCopyToLocalFile() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");
	
	// 2 执行下载操作
	// boolean delSrc 指是否将原文件删除
	// Path src 指要下载的文件路径
	// Path dst 指将文件下载到的路径
	// boolean useRawLocalFileSystem 是否开启文件校验
	fs.copyToLocalFile(false, new Path("/banzhang.txt"), new Path("e:/banhua.txt"), true);
	
	// 3 关闭资源
	fs.close();
}

HDFS文件夹删除

@Test
public void testDelete() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");
		
	// 2 执行删除
	fs.delete(new Path("/0508/"), true);
		
	// 3 关闭资源
	fs.close();
}

HDFS文件名更改

@Test
public void testRename() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu"); 
		
	// 2 修改文件名称
	fs.rename(new Path("/banzhang.txt"), new Path("/banhua.txt"));
		
	// 3 关闭资源
	fs.close();
}

HDFS文件详情查看

//查看文件名称、权限、长度、块信息
@Test
public void testListFiles() throws IOException, InterruptedException, URISyntaxException{

	// 1获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu"); 
		
	// 2 获取文件详情
	RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);
		
	while(listFiles.hasNext()){
		LocatedFileStatus status = listFiles.next();
			
		// 输出详情
		// 文件名称
		System.out.println(status.getPath().getName());
		// 长度
		System.out.println(status.getLen());
		// 权限
		System.out.println(status.getPermission());
		// 分组
		System.out.println(status.getGroup());
			
		// 获取存储的块信息
		BlockLocation[] blockLocations = status.getBlockLocations();
			
		for (BlockLocation blockLocation : blockLocations) {
				
			// 获取块存储的主机节点
			String[] hosts = blockLocation.getHosts();
				
			for (String host : hosts) {
				System.out.println(host);
			}
		}
			
		System.out.println("-----------班长的分割线----------");
	}

// 3 关闭资源
fs.close();
}

HDFS文件和文件夹判断

@Test
public void testListStatus() throws IOException, InterruptedException, URISyntaxException{
		
	// 1 获取文件配置信息
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");
		
	// 2 判断是文件还是文件夹
	FileStatus[] listStatus = fs.listStatus(new Path("/"));
		
	for (FileStatus fileStatus : listStatus) {
		
		// 如果是文件
		if (fileStatus.isFile()) {
				System.out.println("f:"+fileStatus.getPath().getName());
			}else {
				System.out.println("d:"+fileStatus.getPath().getName());
			}
		}
		
	// 3 关闭资源
	fs.close();
}

HDFS的I/O流操作

上面我们学的API操作HDFS系统都是框架封装好的。那么如果我们想自己实现上述API的操作该怎么实现呢？
我们可以采用IO流的方式实现数据的上传和下载。

HDFS文件上传

把本地e盘上的banhua.txt文件上传到HDFS根目录

@Test
public void putFileToHDFS() throws IOException, InterruptedException, URISyntaxException {

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");

	// 2 创建输入流
	FileInputStream fis = new FileInputStream(new File("e:/banhua.txt"));

	// 3 获取输出流
	FSDataOutputStream fos = fs.create(new Path("/banhua.txt"));

	// 4 流对拷
	IOUtils.copyBytes(fis, fos, configuration);

	// 5 关闭资源
	IOUtils.closeStream(fos);
	IOUtils.closeStream(fis);
    fs.close();
}
	```

## HDFS文件下载
从HDFS上下载banhua.txt文件到本地e盘上

```java
// 文件下载
@Test
public void getFileFromHDFS() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");
		
	// 2 获取输入流
	FSDataInputStream fis = fs.open(new Path("/banhua.txt"));
		
	// 3 获取输出流
	FileOutputStream fos = new FileOutputStream(new File("e:/banhua.txt"));
		
	// 4 流的对拷
	IOUtils.copyBytes(fis, fos, configuration);
		
	// 5 关闭资源
	IOUtils.closeStream(fos);
	IOUtils.closeStream(fis);
	fs.close();
}

定位文件读取

分块读取HDFS上的大文件，比如根目录下的/hadoop-2.7.2.tar.gz

//下载第一块
@Test
public void readFileSeek1() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");
		
	// 2 获取输入流
	FSDataInputStream fis = fs.open(new Path("/hadoop-2.7.2.tar.gz"));
		
	// 3 创建输出流
	FileOutputStream fos = new FileOutputStream(new File("e:/hadoop-2.7.2.tar.gz.part1"));
		
	// 4 流的拷贝
	byte[] buf = new byte[1024];
		
	for(int i =0 ; i < 1024 * 128; i++){
		fis.read(buf);
		fos.write(buf);
	}
		
	// 5关闭资源
	IOUtils.closeStream(fis);
	IOUtils.closeStream(fos);
fs.close();
}

//下载第二块
@Test
public void readFileSeek2() throws IOException, InterruptedException, URISyntaxException{

	// 1 获取文件系统
	Configuration configuration = new Configuration();
	FileSystem fs = FileSystem.get(new URI("hdfs://hadoop100:9000"), configuration, "atguigu");
		
	// 2 打开输入流
	FSDataInputStream fis = fs.open(new Path("/hadoop-2.7.2.tar.gz"));
		
	// 3 定位输入数据位置
	fis.seek(1024*1024*128);
		
	// 4 创建输出流
	FileOutputStream fos = new FileOutputStream(new File("e:/hadoop-2.7.2.tar.gz.part2"));
		
	// 5 流的对拷
	IOUtils.copyBytes(fis, fos, configuration);
		
	// 6 关闭资源
	IOUtils.closeStream(fis);
	IOUtils.closeStream(fos);
}

合并文件
在Window命令窗口中进入到目录E:\，然后执行如下命令，对数据进行合并
type hadoop-2.7.2.tar.gz.part2 » hadoop-2.7.2.tar.gz.part1
合并完成后，将hadoop-2.7.2.tar.gz.part1重新命名为hadoop-2.7.2.tar.gz。解压发现该tar包非常完整。

HDFS的数据流

HDFS的写数据流程

image-left

  1. 客户端通过Distributed FileSystem模块向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，以及权限。
  2. NameNode返回是否可以上传。
  3. 客户端请求第一个 Block上传到哪几个DataNode服务器上。
  4. NameNode返回3个DataNode节点，分别为dn1、dn2、dn3。
  5. 客户端通过FSDataOutputStream模块（wraps a DFSDataOutputStream which handles communication with the datanodes and namenode. ）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。Dataqueue
  6. dn1、dn2、dn3逐级应答客户端。Ackqueue
  7. 客户端开始往dn1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， (DFSDataOutputStream splits file into packets) (DateStreamer–consume data queue–NN, DN) 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，客户端再次请求NameNode上传第二个Block的服务器。（重复执行3-7步）。 如果在传输的过程中dn fail 了，首先通信管道将会关闭，ack队列中的任何数据包packet都将放到data队列的前面，防止fail node下流节点无法收到数据。同时该block所在的正常节点会联系NN，这样failed节点再回复后被nn通知删除该块数据，将faild节点从管道中移除，该块的剩余数据写到好的两个节点。同时nn知道该块是under-replicated（副本数不足），并安排在另一个节点上创建另一个副本，之后的数据按照正常处理。有可能但不太可能，在block写入过程中多个dn挂掉，只要block满足最小副本数（dfs.replication.min）默认是1，那么就认为写入成功了。nn会安排异步备份直到满足要求的副本数（dfs.replication）默认是3。

网络拓扑-节点距离计算

在HDFS写数据的过程中，NameNode会选择距离待上传数据最近距离的DataNode接收数据。那么这个最近距离怎么计算呢？
节点距离：两个节点到达最近的共同祖先的跃点数（经过交换机的次数）。
例如，假设有数据中心d1机架r1中的节点n1。该节点可以表示为/d1/r1/n1。利用这种标记，这里给出四种距离描述，如下图所示。 image-left

大家算一算下图每两个节点之间的距离。 image-left

机架感知-副本存储节点选择

官方说明
For the common case, when the replication factor is three, HDFS’s placement policy is to put one replica on one node in the local rack, another on a different node in the local rack, and the last on a different node in a different rack.

自定义机架感知
创建类实现DNSToSwitchMapping接口

public class MyDNSToSwitchMapping implements DNSToSwitchMapping {
	/**
	 * 传递的是客户端的IP列表，返回机架感知的列表。
	 */
	public List<String> resolve(List<String> names) {
		List<String> list=new ArrayList<String>();
		if (names!=null && names.size()>0) {
			for (String name : names) {
				//主机名是s201 s202 ...
				int ip=0;
				if (name.startsWith("s")) {
					String no=name.substring(1);
					ip=Integer.parseInt(no);
				}
				else if (name.startsWith("192")) {
					String no=name.substring(name.lastIndexOf(".")+1);
					ip=Integer.parseInt(no);
				}
				if (ip<203) {
					list.add("/rack1/"+ip);
				}else {
					list.add("/rack2/"+ip);
				}
			}
		}
		//写入文件中
		try {
			FileOutputStream fos=new FileOutputStream("/home/ubuntu/dns.txt");
			for(String name:list) {
				fos.write((name+"\r\n").getBytes());
			}
			fos.close();
		} catch (Exception e) {
			e.printStackTrace();
		}
		return list;
	}

	public void reloadCachedMappings() {

	}

	public void reloadCachedMappings(List<String> names) {

	}

}

编译程序打成jar包，分发到所有节点hadoop的classpath下。

修改core-site.xml配置文件并分发

<!--core-site.xml-->
<configuration>
	<property>
		<name>net.topology.node.switch.mapping.impl</name>
		<value>hadoop.david.rackaware.MyDNSToSwitchMapping</value>
	</property>
</configuration>

Hadoop2.7.2副本节点选择 image-left

Coherency Model-数据一致性

Client创建文件时，在文件系统的名字空间是立即可见的。但是我们写入的数据不足一个块大小时，并不保证对于其他client是可见的，即使我们的流使用flash。 只有当文件写入超过一个块时，第一块才是可见的，并且正在写入的块总是不可见的。 Hdfs提供了一种方式强制所有的 buffer flash 到dn通过 FSOutputStream.hflush方法。 Hdfs保证此时文件写入管道中的所有数据都到dn上，并且对新的reader可见。 但只是保证在datanode的内存中存在，如果此时断电还是可能会丢失数据。为了更强的保障，可以使用hsync。 FSOutputStream在关闭时会隐式的调用hflush方法。

HDFS读数据流程

image-left

  1. 客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
  2. 挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
  3. DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，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。 同写入一样DFInputStream包裹着DFSInputStream，文件的所有block是按照顺序依次读取的，在DFSInputStream连接dn是，还会向nn请求下一批block的dn列表。从client角度就是连续从一个流里读取数据。如果在读取时某个dn挂掉了，那么client会记住这个dn，之后的数据将不会尝试从该dn读取，同时还会对block进行校验，如果发现block损坏了，在client从该block下一最近结点读取之前，会报告给nn。Client是在namenode的指导下直接与datanode打交道的。

名称节点和辅助名称节点

NN和2NN工作机制

思考：NameNode中的元数据是存储在哪里的？

首先，我们做个假设，如果存储在NameNode节点的磁盘中，因为经常需要进行随机访问，还有响应客户请求，必然是效率过低。因此，元数据需要存放在内存中。但如果只存在内存中，一旦断电，元数据丢失，整个集群就无法工作了。因此产生在磁盘中备份元数据的FsImage。

这样又会带来新的问题，当在内存中的元数据更新时，如果同时更新FsImage，就会导致效率过低，但如果不更新，就会发生一致性问题，一旦NameNode节点断电，就会产生数据丢失。因此，引入Edits文件(只进行追加操作，效率很高)。每当元数据有更新或者添加元数据时，修改内存中的元数据并追加到Edits中。这样，一旦NameNode节点断电，可以通过FsImage和Edits的合并，合成元数据。

但是，如果长时间添加数据到Edits中，会导致该文件数据过大，效率降低，而且一旦断电，恢复元数据需要的时间过长。因此，需要定期进行FsImage和Edits的合并，如果这个操作由NameNode节点完成，又会效率过低。因此，引入一个新的节点SecondaryNamenode，专门用于FsImage和Edits的合并。

NN和2NN工作机制，如下图所示 image-left

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。只有重建完内存中的文件系统的元素据，nn才开始监听rpc请求和http request，此时处于safemode下，client只能读取数据，严格意义上来说，只能读取文件的元数据信息（查看一个目录列表）。只有当文件block的一组datanode可用时，才可以查看文件。当集群中99.9%（default）的block满足副本配置时，nn才会退出安全模式（plus 30 seconds）。
  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。
  4. NameNode在内存中对数据进行增删改。

第二阶段：Secondary NameNode工作

  1. Secondary NameNode询问NameNode是否需要CheckPoint。直接带回NameNode是否检查结果。
  2. Secondary 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Secondary NameNode。
  5. Secondary NameNode加载编辑日志和镜像文件到内存，并合并。
  6. 生成新的镜像文件fsimage.chkpoint。
  7. 拷贝fsimage.chkpoint到NameNode。
  8. NameNode将fsimage.chkpoint重新命名成fsimage。

NN和2NN工作机制详解

Fsimage：NameNode内存中元数据序列化后形成的文件。
Edits：记录客户端更新元数据信息的每一步操作（可通过Edits运算出元数据）。

  NameNode启动时，先滚动Edits并生成一个空的edits.inprogress，然后加载Edits和Fsimage到内存中，此时NameNode内存就持有最新的元数据信息。Client开始对NameNode发送元数据的增删改的请求，这些请求的操作首先会被记录到edits.inprogress中（查询元数据的操作不会被记录在Edits中，因为查询操作不会更改元数据信息），如果此时NameNode挂掉，重启后会从Edits中读取元数据的信息。然后，NameNode会在内存中执行元数据的增删改的操作。

  由于Edits中记录的操作会越来越多，Edits文件会越来越大，导致NameNode在启动加载Edits时会很慢，所以需要对Edits和Fsimage进行合并（所谓合并，就是将Edits和Fsimage加载到内存中，照着Edits中的操作一步步执行，最终形成新的Fsimage）。SecondaryNameNode的作用就是帮助NameNode进行Edits和Fsimage的合并工作。

  SecondaryNameNode首先会询问NameNode是否需要CheckPoint（触发CheckPoint需要满足两个条件中的任意一个，定时时间到和Edits中数据写满了）。直接带回NameNode是否检查结果。SecondaryNameNode执行CheckPoint操作，首先会让NameNode滚动Edits并生成一个空的edits.inprogress，滚动Edits的目的是给Edits打个标记，以后所有新的操作都写入edits.inprogress，其他未合并的Edits和Fsimage会拷贝到SecondaryNameNode的本地，然后将拷贝的Edits和Fsimage加载到内存中进行合并，生成fsimage.chkpoint，然后将fsimage.chkpoint拷贝给NameNode，重命名为Fsimage后替换掉原来的Fsimage。NameNode在启动时就只需要加载之前未合并的Edits和Fsimage即可，因为合并过的Edits中的元数据信息已经被记录在Fsimage中。

官方说明

  1. The secondary asks the primary to roll its in-progress edits file, so new edits go to a new file. The primary also updates the seen_txid file in all its storage directories.
  2. The secondary retrieves the latest fsimage and edits files from the primary (using HTTP GET).
  3. The secondary loads fsimage into memory, applies each transaction from edits, then creates a new merged fsimage file.
  4. The secondary sends the new fsimage back to the primary (using HTTP PUT), and the primary saves it as a temporary .ckpt file.
  5. The primary renames the temporary fsimage file to make it available. At the end of the process, the primary has an up-to-date fsimage file and a short inprogress edits file (it is not necessarily empty, as it may have received some edits while the checkpoint was being taken). It is possible for an administrator to run this process manually while the namenode is in safe mode, using the hdfs dfsadmin -saveNamespace command.

Fsimage和Edits解析

NameNode被格式化之后，将在/opt/module/hadoop-2.7.2/data/tmp/dfs/name/current目录中产生如下文件

  • fsimage_0000000000000000000
  • fsimage_0000000000000000000.md5
  • seen_txid
  • VERSION
    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inode的序列化信息。
    Edits文件：存放HDFS文件系统的所有更新操作的路径，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。
    seen_txid文件: 保存的是一个数字，就是最后一个edits_的数字
    每次NameNode启动的时候都会将Fsimage文件读入内存，加载Edits里面的更新操作，保证内存中的元数据信息是最新的、同步的，可以看成NameNode启动的时候就将Fsimage和Edits文件进行了合并。

oiv查看Fsimage文件

$> hdfs oiv  //apply the offline fsimage viewer to an fsimage
$> hdfs oev  //apply the offline edits viewer to an edits file

hdfs oiv -p 文件类型 -i镜像文件 -o 转换后文件输出路径

$> pwd
/opt/module/hadoop-2.7.2/data/tmp/dfs/name/current
$> hdfs oiv -p XML -i fsimage_0000000000000000025 -o /opt/module/hadoop-2.7.2/fsimage.xml
$> cat /opt/module/hadoop-2.7.2/fsimage.xml
将显示的xml文件内容拷贝到Eclipse中创建的xml文件中，并格式化。部分显示结果如下。

<inode>
	<id>16386</id>
	<type>DIRECTORY</type>
	<name>user</name>
	<mtime>1512722284477</mtime>
	<permission>atguigu:supergroup:rwxr-xr-x</permission>
	<nsquota>-1</nsquota>
	<dsquota>-1</dsquota>
</inode>
<inode>
	<id>16387</id>
	<type>DIRECTORY</type>
	<name>atguigu</name>
	<mtime>1512790549080</mtime>
	<permission>atguigu:supergroup:rwxr-xr-x</permission>
	<nsquota>-1</nsquota>
	<dsquota>-1</dsquota>
</inode>
<inode>
	<id>16389</id>
	<type>FILE</type>
	<name>wc.input</name>
	<replication>3</replication>
	<mtime>1512722322219</mtime>
	<atime>1512722321610</atime>
	<perferredBlockSize>134217728</perferredBlockSize>
	<permission>atguigu:supergroup:rw-r--r--</permission>
	<blocks>
		<block>
			<id>1073741825</id>
			<genstamp>1001</genstamp>
			<numBytes>59</numBytes>
		</block>
	</blocks>
</inode >

思考：可以看出，Fsimage中没有记录块所对应DataNode，为什么？ 在集群启动后，要求DataNode上报数据块信息，并间隔一段时间后再次上报。

oev查看Edits文件

hdfs oev -p 文件类型 -i编辑日志 -o 转换后文件输出路径

$> hdfs oev -p XML -i edits_0000000000000000012-0000000000000000013 -o /opt/module/hadoop-2.7.2/edits.xml
$> cat /opt/module/hadoop-2.7.2/edits.xml
将显示的xml文件内容拷贝到Eclipse中创建的xml文件中，并格式化。显示结果如下。

<?xml version="1.0" encoding="UTF-8"?>
<EDITS>
	<EDITS_VERSION>-63</EDITS_VERSION>
	<RECORD>
		<OPCODE>OP_START_LOG_SEGMENT</OPCODE>
		<DATA>
			<TXID>129</TXID>
		</DATA>
	</RECORD>
	<RECORD>
		<OPCODE>OP_ADD</OPCODE>
		<DATA>
			<TXID>130</TXID>
			<LENGTH>0</LENGTH>
			<INODEID>16407</INODEID>
			<PATH>/hello7.txt</PATH>
			<REPLICATION>2</REPLICATION>
			<MTIME>1512943607866</MTIME>
			<ATIME>1512943607866</ATIME>
			<BLOCKSIZE>134217728</BLOCKSIZE>
			<CLIENT_NAME>DFSClient_NONMAPREDUCE_-1544295051_1</CLIENT_NAME>
			<CLIENT_MACHINE>192.168.1.5</CLIENT_MACHINE>
			<OVERWRITE>true</OVERWRITE>
			<PERMISSION_STATUS>
				<USERNAME>atguigu</USERNAME>
				<GROUPNAME>supergroup</GROUPNAME>
				<MODE>420</MODE>
			</PERMISSION_STATUS>
			<RPC_CLIENTID>908eafd4-9aec-4288-96f1-e8011d181561</RPC_CLIENTID>
			<RPC_CALLID>0</RPC_CALLID>
		</DATA>
	</RECORD>
	<RECORD>
		<OPCODE>OP_ALLOCATE_BLOCK_ID</OPCODE>
		<DATA>
			<TXID>131</TXID>
			<BLOCK_ID>1073741839</BLOCK_ID>
		</DATA>
	</RECORD>
	<RECORD>
		<OPCODE>OP_SET_GENSTAMP_V2</OPCODE>
		<DATA>
			<TXID>132</TXID>
			<GENSTAMPV2>1016</GENSTAMPV2>
		</DATA>
	</RECORD>
	<RECORD>
		<OPCODE>OP_ADD_BLOCK</OPCODE>
		<DATA>
			<TXID>133</TXID>
			<PATH>/hello7.txt</PATH>
			<BLOCK>
				<BLOCK_ID>1073741839</BLOCK_ID>
				<NUM_BYTES>0</NUM_BYTES>
				<GENSTAMP>1016</GENSTAMP>
			</BLOCK>
			<RPC_CLIENTID></RPC_CLIENTID>
			<RPC_CALLID>-2</RPC_CALLID>
		</DATA>
	</RECORD>
	<RECORD>
		<OPCODE>OP_CLOSE</OPCODE>
		<DATA>
			<TXID>134</TXID>
			<LENGTH>0</LENGTH>
			<INODEID>0</INODEID>
			<PATH>/hello7.txt</PATH>
			<REPLICATION>2</REPLICATION>
			<MTIME>1512943608761</MTIME>
			<ATIME>1512943607866</ATIME>
			<BLOCKSIZE>134217728</BLOCKSIZE>
			<CLIENT_NAME></CLIENT_NAME>
			<CLIENT_MACHINE></CLIENT_MACHINE>
			<OVERWRITE>false</OVERWRITE>
			<BLOCK>
				<BLOCK_ID>1073741839</BLOCK_ID>
				<NUM_BYTES>25</NUM_BYTES>
				<GENSTAMP>1016</GENSTAMP>
			</BLOCK>
			<PERMISSION_STATUS>
				<USERNAME>atguigu</USERNAME>
				<GROUPNAME>supergroup</GROUPNAME>
				<MODE>420</MODE>
			</PERMISSION_STATUS>
		</DATA>
	</RECORD>
</EDITS >

思考：NameNode如何确定下次开机启动的时候合并哪些Edits？ 自己做一次merge fsimage and edit log

CheckPoint时间设置

<!--hdfs-default.xml-->
<!--通常情况下，SecondaryNameNode每隔一小时执行一次。-->
<property>
  <name>dfs.namenode.checkpoint.period</name>
  <value>3600</value>
</property>
<!--一分钟检查一次操作次数-->
<!--当操作次数达到1百万时，SecondaryNameNode执行一次。-->
<property>
  <name>dfs.namenode.checkpoint.txns</name>
  <value>1000000</value>
<description>操作动作次数</description>
</property>

<property>
  <name>dfs.namenode.checkpoint.check.period</name>
  <value>60</value>
<description> 1分钟检查一次操作次数</description>
</property >

NameNode故障处理

NameNode故障后，可以采用如下两种方法恢复数据。
方法一：将SecondaryNameNode中数据拷贝到NameNode存储数据的目录；

1. kill -9 NameNode进程
2. 删除NameNode存储的数据（/opt/module/hadoop-2.7.2/data/tmp/dfs/name）
$> rm -rf /opt/module/hadoop-2.7.2/data/tmp/dfs/name/*
3. 拷贝SecondaryNameNode中数据到原NameNode存储数据目录
$> scp -r atguigu@hadoop104:/opt/module/hadoop-2.7.2/data/tmp/dfs/namesecondary/* ./name/
4. 重新启动NameNode
$> sbin/hadoop-daemon.sh start namenode

方法二：使用-importCheckpoint选项启动NameNode守护进程，从而将SecondaryNameNode中数据拷贝到NameNode目录中。

1. 修改hdfs-site.xml中的
<property>
  <name>dfs.namenode.checkpoint.period</name>
  <value>120</value>
</property>
<property>
  <name>dfs.namenode.name.dir</name>
  <value>/opt/module/hadoop-2.7.2/data/tmp/dfs/name</value>
</property>

2. kill -9 NameNode进程
3. 删除NameNode存储的数据（/opt/module/hadoop-2.7.2/data/tmp/dfs/name）
$> rm -rf /opt/module/hadoop-2.7.2/data/tmp/dfs/name/*
4. 如果SecondaryNameNode不和NameNode在一个主机节点上，需要将SecondaryNameNode存储数据的目录拷贝到NameNode存储数据的平级目录，并删除in_use.lock文件
$> scp -r atguigu@hadoop104:/opt/module/hadoop-2.7.2/data/tmp/dfs/namesecondary ./
$> rm -rf in_use.lock
$> pwd
/opt/module/hadoop-2.7.2/data/tmp/dfs
$> ls
data  name  namesecondary
5. 导入检查点数据（等待一会ctrl+c结束掉）
$ bin/hdfs namenode -importCheckpoint
6. 启动NameNode
$> sbin/hadoop-daemon.sh start namenode

集群安全模式

NameNode启动
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。一旦在内存中成功建立文件系统元数据的映像，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。这个过程期间，NameNode一直运行在安全模式，即NameNode的文件系统对于客户端来说是只读的。

DataNode启动
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。在系统的正常操作期间，NameNode会在内存中保留所有块位置的映射信息。在安全模式下，各个DataNode会向NameNode发送最新的块列表信息，NameNode了解到足够多的块位置信息之后，即可高效运行文件系统。

安全模式退出判断
如果满足“最小副本条件”，NameNode会在30秒钟之后就退出安全模式。所谓的最小副本条件指的是在整个文件系统中99.9%的块满足最小副本级别
（默认值：dfs.replication.min=1）。在启动一个刚刚格式化的HDFS集群时，因为系统中还没有任何块，所以NameNode不会进入安全模式。

//集群处于安全模式，不能执行重要操作（写操作）。
//集群启动完成后，自动退出安全模式。
$> bin/hdfs dfsadmin -safemode get    //查看安全模式状态
$> bin/hdfs dfsadmin -safemode enter  //进入安全模式状态
$> bin/hdfs dfsadmin -safemode leave  //离开安全模式状态
$> bin/hdfs dfsadmin -safemode wait   //等待安全模式状态

NameNode多目录配置

NameNode的本地目录可以配置成多个，且每个目录存放内容相同，增加了可靠性 具体配置如下:

在hdfs-site.xml文件中增加如下内容

<property>
	<name>dfs.namenode.name.dir</name>
	<value>file:///${hadoop.tmp.dir}/dfs/name1,file:///${hadoop.tmp.dir}/dfs/name2</value>
</property>

停止集群，删除data和logs中所有数据。

[atguigu@hadoop100 hadoop-2.7.2]$> rm -rf data/ logs/
[atguigu@hadoop101 hadoop-2.7.2]$> rm -rf data/ logs/
[atguigu@hadoop102 hadoop-2.7.2]$> rm -rf data/ logs/

格式化集群并启动。

[atguigu@hadoop100 hadoop-2.7.2]$> bin/hdfs namenode –format
[atguigu@hadoop100 hadoop-2.7.2]$> sbin/start-dfs.sh

查看结果

[atguigu@hadoop100 dfs]$> ll
总用量 12
drwx------. 3 atguigu atguigu 4096 12月 11 08:03 data
drwxrwxr-x. 3 atguigu atguigu 4096 12月 11 08:03 name1
drwxrwxr-x. 3 atguigu atguigu 4096 12月 11 08:03 name2

补充说明 DataNode也可以配置多目录，但是和NameNode不同的是并不是备份，而是分目录存放而已。

数据节点DataNode

DataNode工作机制

image-left

  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，通过后，周期性（1小时）的向NameNode上报所有的块信息。
  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一台机器，或删除某个数据块。如果超过10分钟没有收到某个DataNode的心跳，则认为该节点不可用。
  4. 集群运行中可以安全加入和退出一些机器。

数据完整性

思考：如果电脑磁盘里面存储的数据是控制高铁信号灯的红灯信号（1）和绿灯信号（0），但是存储该数据的磁盘坏了，一直显示是绿灯，是否很危险？同理DataNode节点上的数据损坏了，却没有发现，是否也很危险，那么如何解决呢？
如下是DataNode节点保证数据完整性的方法：

  1. 当DataNode读取Block的时候，它会计算CheckSum（crc32 cyclic redundancy check）。 io.bytes.per.checkSum=512配置，不能大于io.file.buffer.size(4096)。 hdfs写入文件场景中，pipline中最后一个datanode负责校验block。 Datanode存储block数据以及block的校验和，并且保持着一份数据校验情况的持久化日志，Client读取数据成功时会通知datanode更新校验日志。每个datanode都运行一个叫做DataBlockScanner的后台进程，周期检验所有block，用来防止磁盘的坏道bit rot。
  2. 如果计算后的CheckSum，与Block创建时值不一样，说明Block已经损坏。
  3. Client读取其他DataNode上的Block。
  4. DataNode在其文件创建后周期验证CheckSum，如下图所示。 image-left
    校验和

掉线时限参数设置

image-left

<property>
    <name>dfs.namenode.heartbeat.recheck-interval</name>
    <value>300000</value>
</property>

<property>
    <name>dfs.heartbeat.interval</name>
    <value>3</value>
</property>

注意 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。

服役新数据节点

需求
随着公司业务的增长，数据量越来越大，原有的数据节点的容量已经不能满足存储数据的需求，需要在原有集群基础上动态添加新的数据节点。

环境准备

  1. 在hadoop103主机上再克隆一台hadoop105主机
  2. 修改IP地址和主机名称
  3. 删除原来HDFS文件系统留存的文件（/opt/module/hadoop-2.7.2/data和log）
  4. source一下配置文件 $> source /etc/profile

服役新节点具体步骤

1. 直接启动DataNode，即可关联到集群
[atguigu@hadoop103 hadoop-2.7.2]$> sbin/hadoop-daemon.sh start datanode
[atguigu@hadoop103 hadoop-2.7.2]$> sbin/yarn-daemon.sh start nodemanager
 
2. 在hadoop105上上传文件
[atguigu@hadoop103 hadoop-2.7.2]$> hadoop fs -put /opt/module/hadoop-2.7.2/LICENSE.txt /
3. 如果数据不均衡，可以用命令实现集群的再平衡
[atguigu@hadoop100 sbin]$> ./start-balancer.sh
starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-atguigu-balancer-hadoop100.out
Time Stamp Iteration#  Bytes Already Moved  Bytes Left To Move  Bytes Being Moved

官方说明

  1. Add the network addresses of the new nodes to the include file.

     <!--hdfs-site.xml-->
 <property>
     <!-- 指定一个文件的完整路径,没有指定，说明所有节点都可连接 -->
     <name>dfs.hosts</name>
     <value>/soft/hadoop/etc/hadoop/datanodes.host</value>
 </property>
 <!--yarn-site.xml-->
 <property>
     <name>yarn.resourcemanager.nodes.include-path</name>
     <value>/soft/hadoop/etc/hadoop/nms.host</value>
 </property>
  2. Update the namenode with the new set of permitted datanodes using this command:% hdfs dfsadmin -refreshNodes
  3. Update the resource manager with the new set of permitted node managers using:% yarn rmadmin -refreshNodes
  4. Update the slaves file with the new nodes, so that they are included in future operations performed by the Hadoop control scripts.
  5. Start the new datanodes and node managers.
  6. Check that the new datanodes and node managers appear in the web UI.

退役旧数据节点

添加白名单

添加到白名单的主机节点，都允许访问NameNode，不在白名单的主机节点，都会被退出。
配置白名单的具体步骤如下：

  1. 在NameNode的/opt/module/hadoop-2.7.2/etc/hadoop目录下创建dfs.hosts文件

     [atguigu@hadoop100 hadoop]$ pwd
 /opt/module/hadoop-2.7.2/etc/hadoop
 [atguigu@hadoop100 hadoop]$ touch dfs.hosts
 [atguigu@hadoop100 hadoop]$ vi dfs.hosts
 添加如下主机名称（不添加hadoop103）
 hadoop100
 hadoop101
 hadoop102

  2. 在NameNode的hdfs-site.xml配置文件中增加dfs.hosts属性

     <property>
 <name>dfs.hosts</name>
 <value>/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts</value>
 </property>

  3. 配置文件分发

     [atguigu@hadoop100 hadoop]$ xsync hdfs-site.xml

  4. 刷新NameNode

     [atguigu@hadoop100 hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes
 Refresh nodes successful

  5. 更新ResourceManager节点

     [atguigu@hadoop100 hadoop-2.7.2]$ yarn rmadmin -refreshNodes
 17/06/24 14:17:11 INFO client.RMProxy: Connecting to ResourceManager at hadoop101/192.168.1.101:8033

  6. 在web浏览器上查看
    如果数据不均衡，可以用命令实现集群的再平衡

     [atguigu@hadoop100 sbin]$ ./start-balancer.sh
 starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-atguigu-balancer-hadoop100.out
 Time Stamp Iteration#  Bytes Already Moved  Bytes Left To Move  Bytes Being Moved

黑名单退役

在黑名单上面的主机都会被强制退出。

  1. 在NameNode的/opt/module/hadoop-2.7.2/etc/hadoop目录下创建dfs.hosts.exclude文件

     [atguigu@hadoop100 hadoop]$ pwd
 /opt/module/hadoop-2.7.2/etc/hadoop
 [atguigu@hadoop100 hadoop]$ touch dfs.hosts.exclude
 [atguigu@hadoop100 hadoop]$ vi dfs.hosts.exclude
 添加如下主机名称（要退役的节点）
 hadoop103

  2. 在NameNode的hdfs-site.xml配置文件中增加dfs.hosts.exclude属性

     <property>
 <name>dfs.hosts.exclude</name>
       <value>/opt/module/hadoop-2.7.2/etc/hadoop/dfs.hosts.exclude</value>
 </property>

  3. 刷新NameNode、刷新ResourceManager

     [atguigu@hadoop100 hadoop-2.7.2]$ hdfs dfsadmin -refreshNodes
 Refresh nodes successful

 [atguigu@hadoop100 hadoop-2.7.2]$ yarn rmadmin -refreshNodes
 17/06/24 14:55:56 INFO client.RMProxy: Connecting to ResourceManager at hadoop101/192.168.1.101:8033
  4. 检查Web浏览器，退役节点的状态为decommission in progress（退役中），说明数据节点正在复制块到其他节点。

  5. 等待退役节点状态为decommissioned（所有块已经复制完成），停止该节点及节点资源管理器。注意：如果副本数是3，服役的节点小于等于3，是不能退役成功的，需要修改副本数后才能退役。

     [atguigu@hadoop103 hadoop-2.7.2]$ sbin/hadoop-daemon.sh stop datanode
 stopping datanode
 [atguigu@hadoop103 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
 stopping nodemanager

  6. 如果数据不均衡，可以用命令实现集群的再平衡

     [atguigu@hadoop100 hadoop-2.7.2]$ sbin/start-balancer.sh 
 starting balancer, logging to /opt/module/hadoop-2.7.2/logs/hadoop-atguigu-balancer-hadoop100.out
 Time Stamp Iteration#  Bytes Already Moved  Bytes Left To Move  Bytes Being Moved
 注意：不允许白名单和黑名单中同时出现同一个主机名称。（同时出现代表退役！）

补充说明

  1. 添加退役节点至exclude文件。注意：不要更新include文件
  2. 刷新NN,RM。查看webUI 退役节点状态为：decomssion in progress，此时正在复制block到其他节点
  3. decommsioned 退役完成，手动停掉节点datanode和nodemanager进程
  4. 从dfs.hosts文件中删除退役节点，刷新NN,RM。
  5. 从slaves文件中删除退役节点。

Datanode多目录配置

  1. DataNode也可以配置成多个目录，每个目录存储的数据不一样。即：数据不是副本

  2. 具体配置如下

     <!--hdfs-site.xml-->
 <property>
     <name>dfs.datanode.data.dir</name>
     <value>file:///${hadoop.tmp.dir}/dfs/data1,file:///${hadoop.tmp.dir}/dfs/data2</value>
 </property>

HDFS 2.X新特性

集群间数据拷贝

  1. scp实现两个远程主机之间的文件复制

     scp -r hello.txt root@hadoop103:/user/atguigu/hello.txt		// 推 push
 scp -r root@hadoop103:/user/atguigu/hello.txt  hello.txt	// 拉 pull
 //是通过本地主机中转实现两个远程主机的文件复制；如果在两个远程主机之间ssh没有配置的情况下可以使用该方式。
 scp -r root@hadoop103:/user/atguigu/hello.txt root@hadoop104:/user/atguigu

  2. 采用distcp命令实现两个Hadoop集群之间的递归数据复制

     [atguigu@hadoop102 hadoop-2.7.2]$  bin/hadoop distcp
 hdfs://haoop102:9000/user/atguigu/hello.txt hdfs://hadoop103:9000/user/atguigu/hello.txt

小文件存档

image-left

```shell
1. 需要启动YARN进程
$> start-yarn.sh
2. 归档文件
// 把/user/atguigu/input目录里面的所有文件归档成一个叫input.har的归档文件，
// 并把归档后文件存储到/user/atguigu/output路径下。
$> bin/hadoop archive -archiveName input.har –p  /user/atguigu/input   /user/atguigu/output
3. 查看归档
$> hadoop fs -lsr /user/atguigu/output/input.har
$> hadoop fs -lsr har:///user/atguigu/output/input.har
4. 解归档文件
$> hadoop fs -cp har:/// user/atguigu/output/input.har/*    /user/atguigu
```

回收站

开启回收站功能，可以将删除的文件在不超时的情况下，恢复原数据，起到防止误删除、备份等作用。

  1. 回收站参数设置及工作机制 image-left

  2. 启用回收站 修改core-site.xml，配置垃圾回收时间为1分钟。

     <property>
    <name>fs.trash.interval</name>
 <value>1</value>
 </property>
  3. 查看回收站 回收站在集群中的路径：/user/atguigu/.Trash/….

  4. 修改访问垃圾回收站用户名称 进入垃圾回收站用户名称，默认是dr.who，修改为atguigu用户

     <!--core-site.xml-->
 <property>
   <name>hadoop.http.staticuser.user</name>
   <value>atguigu</value>
 </property>

  5. 通过程序删除的文件不会经过回收站，需要调用moveToTrash()才进入回收站

     Trash trash = New Trash(conf);
 trash.moveToTrash(path);

  6. 恢复回收站数据

     $> hadoop fs -mv 
 /user/atguigu/.Trash/Current/user/atguigu/input    /user/atguigu/input

  7. 清空回收站

     $> hadoop fs -expunge

快照管理

快照相当于对目录做一个备份。并不会立即复制所有文件，而是记录文件变化。

$> hdfs dfsadmin -allowSnapshot 路径    //开启指定目录的快照功能
$> hdfs dfsadmin -disallowSnapshot 路径 //禁用指定目录的快照功能，默认是禁用
$> hdfs dfs -createSnapshot 路径        //对目录创建快照
$> hdfs dfs -createSnapshot 路径 名称   //指定名称创建快照
$> hdfs dfs -renameSnapshot 路径 旧名称 新名称  //重命名快照
$> hdfs lsSnapshottableDir  //列出当前用户所有可快照目录
$> hdfs snapshotDiff <path> <fromSnapshot> <toSnapshot> //比较两个快照目录的不同之处
$> hdfs dfs -deleteSnapshot <path> <snapshotName>  //删除快照

1. 开启/禁用指定目录的快照功能
$> hdfs dfsadmin -allowSnapshot /user/atguigu/input
$> hdfs dfsadmin -disallowSnapshot /user/atguigu/input
2. 对目录创建快照
$> hdfs dfs -createSnapshot /user/atguigu/input
通过web访问hdfs://hadoop100:50070/user/atguigu/input/.snapshot/s…..  // 快照和源文件使用相同数据
$> hdfs dfs -lsr /user/atguigu/input/.snapshot/
3. 指定名称创建快照
$ hdfs dfs -createSnapshot /user/atguigu/input  miao170508
4.重命名快照
$ hdfs dfs -renameSnapshot /user/atguigu/input/  miao170508 atguigu170508
5. 列出当前用户所有可快照目录
$ hdfs lsSnapshottableDir
6. 比较两个快照目录的不同之处（.表示当前目录的状态）
$ hdfs snapshotDiff
/user/atguigu/input/  .  .snapshot/atguigu170508	
7. 恢复快照
$ hdfs dfs -cp
/user/atguigu/input/.snapshot/s20170708-134303.027  /user

HA概述

所谓HA（High Available），即高可用（7*24小时不中断服务）。 实现高可用最关键的策略是消除单点故障。HA严格来说应该分成各个组件的HA机制：HDFS的HA和YARN的HA。 Hadoop2.0之前，在HDFS集群中NameNode存在单点故障（SPOF）。 NameNode主要在以下两个方面影响HDFS集群:
1.NameNode机器发生意外，如宕机，集群将无法使用，直到管理员重启
2.NameNode机器需要升级，包括软件、硬件升级，此时集群也将无法使用
HDFS HA功能通过配置Active/Standby两个NameNodes实现在集群中对NameNode的热备来解决上述问题。如果出现故障，如机器崩溃或机器需要升级维护，这时可通过此种方式将NameNode很快的切换到另外一台机器。

HDFS-HA工作机制

通过两个或者更多NameNode消除单点故障，一个处于active状态其他的处于standby状态。处于active的NameNode负责集群中的所有客户端操作，而standby的NameNode只是充当worker，维护足够的状态以在必要时提供快速故障转移。为了使standby节点与active节点保持状态同步，两个节点都要与一组名为“JournalNodes”(JNs)的独立守护进程通信。

当active节点执行任何名称空间修改时，它会持久地将修改记录记录到JNs集群中。standby节点能够从jn读取编辑日志，并不断地监视它们，以查看对编辑日志的更改。 当standby Node看到编辑日志更改时，它会将更改应用到自己的名称空间。在发生故障转移时，Standby将确保已从JNs读取了所有编辑日志。
为了提供快速故障转移，standby节点还必须具有关于集群中块位置的最新信息。为了实现这一点，datanode配置了所有namenode的位置，并向所有namenode发送块位置信息和心跳。

一次只有一个namenode处于active状态对HA集群的正常运行非常重要。否则，名称空间状态将在两者之间迅速分化，可能导致数据丢失或其他不正确的结果。为了确保这一特性，防止所谓的“脑裂情况”，JournalNodes每次只允许一个NameNode写入。在故障转移期间，即将从standby转到active的NameNode将简单地接管写入JournalNodes的权限，这将有效地阻止其他NameNode继续处于active状态，允许新的active安全地进行故障转移。

HDFS-HA工作要点

  1. 元数据管理方式需要改变：
    1. 内存中各自保存一份元数据；
    2. Edits日志只有Active状态的NameNode节点可以做写操作；
    3. 两个NameNode都可以读取Edits；
    4. 共享的Edits放在一个共享存储中管理（QJM和NFS两个主流实现）；
  2. 需要一个状态管理功能模块：
    实现了一个zkfailover，常驻在每一个namenode所在的节点，每一个zkfailover负责监控自己所在NameNode节点，利用zk进行状态标识，当需要进行状态切换时，由zkfailover来负责切换，切换时需要防止brain split现象的发生。
  3. 必须保证两个NameNode之间能够ssh无密码登录。
  4. 隔离（Fence），即同一时刻仅仅有一个NameNode对外提供服务。

HDFS-HA自动故障转移工作机制

前面学习了使用命令hdfs haadmin -failover手动进行故障转移，在该模式下，即使现役NameNode已经失效，系统也不会自动从现役NameNode转移到待机NameNode，下面学习如何配置部署HA自动进行故障转移。自动故障转移为HDFS部署增加了两个新组件：ZooKeeper和ZKFailoverController（ZKFC）进程，如图所示。ZooKeeper是维护少量协调数据，通知客户端这些数据的改变和监视客户端故障的高可用服务。HA的自动故障转移依赖于ZooKeeper的以下功能：
1）故障检测：集群中的每个NameNode在ZooKeeper中维护了一个持久会话，如果机器崩溃，ZooKeeper中的会话将终止，ZooKeeper通知另一个NameNode需要触发故障转移。
2）现役NameNode选择：ZooKeeper提供了一个简单的机制用于唯一的选择一个节点为active状态。如果目前现役NameNode崩溃，另一个节点可能从ZooKeeper获得特殊的排外锁以表明它应该成为现役NameNode。

ZKFC是自动故障转移中的另一个新组件，是ZooKeeper的客户端，也监视和管理NameNode的状态。每个运行NameNode的主机也运行了一个ZKFC进程，ZKFC负责：
1）健康监测：ZKFC使用一个健康检查命令定期地ping与之在相同主机的NameNode，只要该NameNode及时地回复健康状态，ZKFC认为该节点是健康的。如果该节点崩溃，冻结或进入不健康状态，健康监测器标识该节点为非健康的。
2）ZooKeeper会话管理：当本地NameNode是健康的，ZKFC保持一个在ZooKeeper中打开的会话。如果本地NameNode处于active状态，ZKFC也保持一个特殊的znode锁，该锁使用了ZooKeeper对短暂节点的支持，如果会话终止，锁节点将自动删除。
3）基于ZooKeeper的选择：如果本地NameNode是健康的，且ZKFC发现没有其它的节点当前持有znode锁，它将为自己获取该锁。如果成功，则它已经赢得了选择，并负责运行故障转移进程以使它的本地NameNode为Active。故障转移进程与前面描述的手动故障转移相似，首先如果必要保护之前的现役NameNode，然后本地NameNode转换为Active状态。 image-left

HDFS-HA集群配置

规划集群

  hadoop100 hadoop101 hadoop102  
——– NN NN    
——– DN DN DN  
——– JN JN JN  
——– ZK ZK ZK  
——–   RM    
——– NM NM NM  

配置Zookeeper集群

  1. 集群规划 在hadoop100、hadoop101和hadoop102三个节点上部署Zookeeper。

  2. 解压安装

     1. 解压Zookeeper安装包到/opt/module/目录下
 $> tar -zxvf zookeeper-3.4.10.tar.gz -C /opt/module/
 2. 在/opt/module/zookeeper-3.4.10/这个目录下创建zkData
 $> mkdir -p zkData
 3. 重命名/opt/module/zookeeper-3.4.10/conf这个目录下的zoo_sample.cfg为zoo.cfg
 $> mv zoo_sample.cfg zoo.cfg

  3. 配置zoo.cfg文件

     1. 具体配置
 dataDir=/opt/module/zookeeper-3.4.10/zkData
 //增加如下配置
 #######################cluster##########################
 server.2=hadoop102:2888:3888
 server.3=hadoop103:2888:3888
 server.4=hadoop104:2888:3888
 2. 配置参数解读
 Server.A=B:C:D。
 A是一个数字，表示这个是第几号服务器；
 B是这个服务器的IP地址；
 C是这个服务器与集群中的Leader服务器交换信息的端口；
 D是万一集群中的Leader服务器挂了，需要一个端口来重新进行选举，选出一个新的Leader，而这个端口就是用来执行选举时服务器相互通信的端口。
 集群模式下配置一个文件myid，这个文件在dataDir目录下，这个文件里面有一个数据就是A的值，Zookeeper启动时读取此文件，
 拿到里面的数据与zoo.cfg里面的配置信息比较从而判断到底是哪个server。

  4. 集群操作

     1. 在/opt/module/zookeeper-3.4.10/zkData目录下创建一个myid的文件
 $> touch myid
 添加myid文件，注意一定要在linux里面创建，在notepad++里面很可能乱码
 2. 编辑myid文件
 $> vi myid
 在文件中添加与server对应的编号：如100
 3. 拷贝配置好的zookeeper到其他机器上
 $> scp -r zookeeper-3.4.10/ root@hadoop101.atguigu.com:/opt/app/
 $> scp -r zookeeper-3.4.10/ root@hadoop102.atguigu.com:/opt/app/
 并分别修改myid文件中内容为101、102
 4. 分别启动zookeeper
 [root@hadoop100 zookeeper-3.4.10]# bin/zkServer.sh start
 [root@hadoop101 zookeeper-3.4.10]# bin/zkServer.sh start
 [root@hadoop102 zookeeper-3.4.10]# bin/zkServer.sh start
 （5）查看状态
 [root@hadoop100 zookeeper-3.4.10]# bin/zkServer.sh status
 JMX enabled by default
 Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg
 Mode: follower
 [root@hadoop101 zookeeper-3.4.10]# bin/zkServer.sh status
 JMX enabled by default
 Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg
 Mode: leader
 [root@hadoop102 zookeeper-3.4.5]# bin/zkServer.sh status
 JMX enabled by default
 Using config: /opt/module/zookeeper-3.4.10/bin/../conf/zoo.cfg
 Mode: follower

配置HDFS-HA集群

  1. 官方地址
  2. 在opt目录下创建一个ha文件夹
    $> mkdir ha
  3. 将/opt/app/下的 hadoop-2.7.2拷贝到/opt/ha目录下
    $> cp -r hadoop-2.7.2/ /opt/ha/
  4. 配置hadoop-env.sh
    export JAVA_HOME=/opt/module/jdk1.8.0_144
  5. 配置core-site.xml 
     <configuration>
     <!-- 把两个NameNode）的地址组装成一个集群mycluster -->
     <property>
         <name>fs.defaultFS</name>
         <value>hdfs://mycluster</value>
     </property>

     <!-- 指定hadoop运行时产生文件的存储目录 -->
     <property>
         <name>hadoop.tmp.dir</name>
         <value>/opt/ha/hadoop-2.7.2/data/tmp</value>
     </property>
 </configuration>
  6. 配置hdfs-site.xml 
     <configuration>
     <!-- 完全分布式集群名称 -->
     <property>
         <name>dfs.nameservices</name>
         <value>mycluster</value>
     </property>

     <!-- 集群中NameNode节点都有哪些 -->
     <property>
         <name>dfs.ha.namenodes.mycluster</name>
         <value>nn1,nn2</value>
     </property>

     <!-- nn1的RPC通信地址 -->
     <property>
         <name>dfs.namenode.rpc-address.mycluster.nn1</name>
         <value>hadoop100:9000</value>
     </property>

     <!-- nn2的RPC通信地址 -->
     <property>
         <name>dfs.namenode.rpc-address.mycluster.nn2</name>
         <value>hadoop101:9000</value>
     </property>

     <!-- nn1的http通信地址 -->
     <property>
         <name>dfs.namenode.http-address.mycluster.nn1</name>
         <value>hadoop100:50070</value>
     </property>

     <!-- nn2的http通信地址 -->
     <property>
         <name>dfs.namenode.http-address.mycluster.nn2</name>
         <value>hadoop101:50070</value>
     </property>

     <!-- 指定NameNode元数据在JournalNode上的存放位置 -->
     <property>
         <name>dfs.namenode.shared.edits.dir</name>
         <value>qjournal://hadoop100:8485;hadoop101:8485;hadoop102:8485/mycluster</value>
     </property>

     <!-- 配置隔离机制，即同一时刻只能有一台服务器对外响应 -->
     <property>
         <name>dfs.ha.fencing.methods</name>
         <value>sshfence</value>
     </property>

     <!-- 使用隔离机制时需要ssh无秘钥登录-->
     <property>
         <name>dfs.ha.fencing.ssh.private-key-files</name>
         <value>/home/atguigu/.ssh/id_rsa</value>
     </property>

     <!-- 声明journalnode服务器存储目录-->
     <property>
         <name>dfs.journalnode.edits.dir</name>
         <value>/opt/ha/hadoop-2.7.2/data/jn</value>
     </property>

     <!-- 关闭权限检查-->
     <property>
         <name>dfs.permissions.enable</name>
         <value>false</value>
     </property>

     <!-- 访问代理类：client，mycluster，active配置失败自动切换实现方式-->
     <property>
   		<name>dfs.client.failover.proxy.provider.mycluster</name>
         <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
     </property>
 </configuration>
  7. 拷贝配置好的hadoop环境到其他节点

启动HDFS-HA集群

1. 在各个JournalNode节点上，输入以下命令启动journalnode服务
$> sbin/hadoop-daemon.sh start journalnode
2. 在[nn1]上，对其进行格式化，并启动
$> bin/hdfs namenode -format
$> sbin/hadoop-daemon.sh start namenode
3. 在[nn2]上，同步nn1的元数据信息
$> bin/hdfs namenode -bootstrapStandby
4. 启动[nn2]
$> sbin/hadoop-daemon.sh start namenode
5. 查看web页面显示，hadoop100和hadoop101都处于standby状态
6. 在[nn1]上，启动所有datanode
$> sbin/hadoop-daemons.sh start datanode
7. 将[nn1]切换为Active
$> bin/hdfs haadmin -transitionToActive nn1
5. 查看是否Active
$> bin/hdfs haadmin -getServiceState nn1

配置HDFS-HA自动故障转移

  1. 具体配置

     1. 在hdfs-site.xml中增加
 <property>
     <name>dfs.ha.automatic-failover.enabled</name>
     <value>true</value>
 </property>
 2. 在core-site.xml文件中增加
 <property>
     <name>ha.zookeeper.quorum</name>
     <value>hadoop102:2181,hadoop103:2181,hadoop104:2181</value>
 </property>

  2. 启动

     1. 关闭所有HDFS服务：
 $> sbin/stop-dfs.sh
 2. 启动Zookeeper集群：
 $> bin/zkServer.sh start
 3. 初始化HA在Zookeeper中状态：
 $> bin/hdfs zkfc -formatZK
 4. 启动HDFS服务：
 $> sbin/start-dfs.sh
 5. 在各个NameNode节点上启动DFSZK Failover Controller，先在哪台机器启动，哪个机器的NameNode就是Active NameNode
 $> sbin/hadoop-daemon.sh start zkfc

  3. 验证

     1. 将Active NameNode进程kill
 $> kill -9 namenode的进程id
 2. 将Active NameNode机器断开网络
 $> service network stop

YARN-HA配置

YARN-HA工作机制

官方说明

image-center

配置YARN-HA集群

  1. 集群配置

      hadoop100 hadoop101 hadoop102
    ——– NN NN  
    ——– DN DN DN
    ——– JN JN JN
    ——– ZK ZK ZK
    ——– RM RM  
    ——– NM NM NM

  2. 具体配置

     <!--  1. yarn-site.xml  -->
 <configuration>

     <property>
         <name>yarn.nodemanager.aux-services</name>
         <value>mapreduce_shuffle</value>
     </property>

     <!--启用resourcemanager ha-->
     <property>
         <name>yarn.resourcemanager.ha.enabled</name>
         <value>true</value>
     </property>

     <!--声明两台resourcemanager的地址-->
     <property>
         <name>yarn.resourcemanager.cluster-id</name>
         <value>cluster-yarn1</value>
     </property>

     <property>
         <name>yarn.resourcemanager.ha.rm-ids</name>
         <value>rm1,rm2</value>
     </property>

     <property>
         <name>yarn.resourcemanager.hostname.rm1</name>
         <value>hadoop100</value>
     </property>

     <property>
         <name>yarn.resourcemanager.hostname.rm2</name>
         <value>hadoop101</value>
     </property>

     <!--指定zookeeper集群的地址--> 
     <property>
         <name>yarn.resourcemanager.zk-address</name>
         <value>hadoop100:2181,hadoop101:2181,hadoop102:2181</value>
     </property>

     <!--启用自动恢复--> 
     <property>
     <name>yarn.resourcemanager.recovery.enabled</name>
     <value>true</value>
     </property>

     <!--指定resourcemanager的状态信息存储在zookeeper集群--> 
     <property>
         <name>yarn.resourcemanager.store.class</name>     
         <value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value>
     </property>

 </configuration>
 <!-- 2. 同步更新其他节点的配置信息 -->

  3. 启动HDFS

     1. 在各个JournalNode节点上，输入以下命令启动journalnode服务：
 $> sbin/hadoop-daemon.sh start journalnode
 2. 在[nn1]上，对其进行格式化，并启动：
 $> bin/hdfs namenode -format
 $> sbin/hadoop-daemon.sh start namenode
 3. 在[nn2]上，同步nn1的元数据信息：
 $> bin/hdfs namenode -bootstrapStandby
 4. 启动[nn2]：
 $> sbin/hadoop-daemon.sh start namenode
 5. 启动所有DataNode
 $> sbin/hadoop-daemons.sh start datanode
 6. 将[nn1]切换为Active
 $> bin/hdfs haadmin -transitionToActive nn1

  4. 启动YARN

     1. 在hadoop102中执行：
 $> sbin/start-yarn.sh
 2. 在hadoop103中执行：
 $> sbin/yarn-daemon.sh start resourcemanager
 3. 查看服务状态
 $> bin/yarn rmadmin -getServiceState rm1

HDFS Federation架构设计

NameNode架构的局限性

  1. Namespace（命名空间）的限制
    由于NameNode在内存中存储所有的元数据（metadata），因此单个NameNode所能存储的对象（文件+块）数目受到NameNode所在JVM的heap size的限制。50G的heap能够存储20亿（200million）个对象，这20亿个对象支持4000个DataNode，12PB的存储（假设文件平均大小为40MB）。随着数据的飞速增长，存储的需求也随之增长。单个DataNode从4T增长到36T，集群的尺寸增长到8000个DataNode。存储的需求从12PB增长到大于100PB。
  2. 隔离问题 由于HDFS仅有一个NameNode，无法隔离各个程序，因此HDFS上的一个实验程序就很有可能影响整个HDFS上运行的程序。
  3. 性能的瓶颈 由于是单个NameNode的HDFS架构，因此整个HDFS文件系统的吞吐量受限于单个NameNode的吞吐量。

HDFS Federation架构设计

NameNode NameNode NameNode
元数据 元数据 元数据
log machine 电商数据/话单数据

image-center

HDFS Federation应用思考
不同应用可以使用不同NameNode进行数据管理
图片业务、爬虫业务、日志审计业务
Hadoop生态系统中，不同的框架使用不同的NameNode进行管理NameSpace。（隔离性）

更新时间:

评论

留下评论  

您的电子邮箱地址并不会被展示。请填写标记为必须的字段。 *

支持 Markdown 语法。