手机版
你好,游客 登录 注册 搜索
背景:
阅读新闻

初识HDFS原理及框架

[日期:2018-10-05] 来源:Linux社区  作者:mftlyg [字体: ]
目录
  1. HDFS是什么
  2. HDFS的优缺点
  3. HDFS的框架
  4. HDFS的读写流程
  5. HDFS命令
  6. HDFS参数

1. HDFS是什么


      HDFS(Hadoop Distributed File System)是Hadoop项目的核心子项目,首先它是一个文件系统,用于存储文件,通过目录树来定位文件位置;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。

2.HDFS的优缺点


      之所以选择HDFS来存储数据,是具有如下优势:

No 优势 描述
1 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,这是由 HDFS 内部机制实现的,我们不必关心。
2 适合批处理
  • 它是通过移动计算而不是移动数据。
  • 它会把数据位置暴露给计算框架。
3 适合大数据处理
  • 处理数据达到 GB、TB、甚至PB级别的数据。
  • 能够处理百万规模以上的文件数量,数量相当之大。
  • 能够处理10K节点的规模。
4 流式文件访问
  • 一次写入,多次读取。文件一旦写入不能修改,只能追加。
  • 它能保证数据的一致性。
5 可构建在廉价机器上
  • 它通过多副本机制,提高可靠性。
  • 它提供了容错和恢复机制。比如某一个副本丢失,可以通过其它副本来恢复。

       HDFS也有不适合的场景:

No 缺点 描述
1 低延时数据访问
  • 比如毫秒级的来存储数据,这是不行的,它做不到。
  • 它适合高吞吐率的场景,就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的,比如毫秒级以内读取数据,这样它是很难做到的。
2 小文件存储
  • 存储大量小文件(这里的小文件是指小于HDFS系统的Block大小的文件(默认64M))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。
  • 小文件存储的寻道时间会超过读取时间,它违反了HDFS的设计目标。
3 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。

3. HDFS框架结构


 

    HDFS 采用Master/Slave的架构来存储数据,这种架构主要由四个部分组成,分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。

No 角色 功能描述
1 Client:就是客户端
  • 文件切分。文件上传 HDFS 的时候,Client 将文件切分成 一个一个的Block,然后进行存储。
  • 与 NameNode 交互,获取文件的位置信息。
  • 与 DataNode 交互,读取或者写入数据。
  • Client 提供一些命令来管理 HDFS,比如启动或者关闭HDFS。
  • Client 可以通过一些命令来访问 HDFS。
2 NameNode:就是 master,它是一个主管、管理者
  • 管理 HDFS 的名称空间
  • 管理数据块(Block)映射信息
  • 配置副本策略
  • 处理客户端读写请求。
3 DataNode:就是Slave。NameNode 下达命令,DataNode 执行实际的操作
  • 存储实际的数据块。
  • 执行数据块的读/写操作。
4 Secondary NameNode:并非 NameNode 的热备。当NameNode 挂掉的时候,它并不能马上替换 NameNode 并提供服务
  • 辅助 NameNode,分担其工作量。
  • 定期合并 fsimage和fsedits,并推送给NameNode。
  • 在紧急情况下,可辅助恢复 NameNode。

4. HDFS的读写流程


   4.1. HDFS的块大小

       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

       HDFS的块比磁盘的块大,其目的是为了最小化寻址开销。如果块设置得足够大,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。因而,传输一个由多个块组成的文件的时间取决于磁盘传输速率。

       如果寻址时间约为10ms,而传输速率为100MB/s,为了使寻址时间仅占传输时间的1%,我们要将块大小设置约为100MB。默认的块大小128MB

       块的大小:10ms*100*100M/s = 100M

   4.2. HDFS写数据流程

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一个本地内存缓存),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,客户端再次请求namenode上传第二个block的服务器。(重复执行3-7步)

   4.3. HDFS读数据流程

1)客户端向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放入流,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。

5.HDFS命令


1)基本语法

     bin/hadoop fs 具体命令

2)常用命令实操

(1)-help:输出这个命令参数

              bin/hdfs dfs -help rm

(2)-ls: 显示目录信息

             hadoop fs -ls /

(3)-mkdir:在hdfs上创建目录

             hadoop fs  -mkdir  -p  /aaa/bbb/cc/dd

(4)-moveFromLocal从本地剪切粘贴到hdfs

             hadoop  fs  - moveFromLocal  /home/hadoop/a.txt  /aaa/bbb/cc/dd

(5)-moveToLocal:从hdfs剪切粘贴到本地(尚未实现)

            hadoop fs -help moveToLocal

             -moveToLocal <src> <localdst> :

               Not implemented yet

(6)--appendToFile  :追加一个文件到已经存在的文件末尾

          hadoop  fs  -appendToFile  ./hello.txt  /hello.txt

(7)-cat :显示文件内容

(8)-tail:显示一个文件的末尾

        hadoop  fs  -tail  /weblog/access_log.1

(9)-chgrp 、-chmod、-chown:linux文件系统中的用法一样,修改文件所属权限

        hadoop  fs  -chmod  666  /hello.txt

        hadoop  fs  -chown  someuser:somegrp  /hello.txt

(10)-copyFromLocal:从本地文件系统中拷贝文件到hdfs路径去

        hadoop  fs  -copyFromLocal  ./jdk.tar.gz  /aaa/

(11)-copyToLocal:从hdfs拷贝到本���

        hadoop fs -copyToLocal /user/hello.txt ./hello.txt

(12)-cp :从hdfs的一个路径拷贝到hdfs的另一个路径

        hadoop  fs  -cp  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2

(13)-mv:在hdfs目录中移动文件

        hadoop  fs  -mv  /aaa/jdk.tar.gz  /

(14)-get:等同于copyToLocal,就是从hdfs下载文件到本地

        hadoop fs -get /user/hello.txt ./

(15)-getmerge  :合并下载多个文件,比如hdfs的目录 /aaa/下有多个文件:log.1, log.2,log.3,...

        hadoop fs -getmerge /aaa/log.* ./log.sum

(16)-put:等同于copyFromLocal

        hadoop  fs  -put  /aaa/jdk.tar.gz  /bbb/jdk.tar.gz.2

(17)-rm:删除文件或文件夹

       hadoop fs -rm -r /aaa/bbb/

(18)-rmdir:删除空目录

       hadoop  fs  -rmdir  /aaa/bbb/ccc

(19)-df :统计文件系统的可用空间信息

       hadoop  fs  -df  -h  /

(20)-du统计文件夹的大小信息

       hadoop fs -du -s -h /user/data/wcinput

  188.5 M  /user/data/wcinput

        hadoop fs -du  -h /user/data/wcinput

  188.5 M  /user/data/wcinput/hadoop-2.7.2.tar.gz

97     /user/data/wcinput/wc.input

(21)-count:统计一个指定目录下的文件节点数量

        hadoop fs -count /aaa/

        hadoop fs -count /user/data/wcinput

      1                  2          197657784 /user/data/wcinput

嵌套文件层级;  包含文件的总数

(22)-setrep:设置hdfs中文件的副本数量

         hadoop fs -setrep 3 /aaa/jdk.tar.gz 

这里设置的副本数只是记录在namenode的元数据中,是否真的会有这么多副本,还得看datanode的数量。如果只有3台设备,最多也就3个副本,只有节点数的增加到10台时,副本数才能达到10。

6.HDFS相关参数


No 参数名称 默认值 所属参数文件 描述
1

dfs.block.size,

dfs.blocksize

134217728 hdfs-site.xml 以字节计算的新建 HDFS 文件默认块大小。请注意该值也用作 HBase 区域服务器 HLog 块大小。
2 dfs.replication 3 hdfs-site.xml HDFS文件的数据块复制份数。
3 dfs.webhdfs.enabled TRUE hdfs-site.xml 启用 WebHDFS 界面,启动50070端口。
4 dfs.permissions TRUE hdfs-site.xml HDFS文件权限检查。
5 dfs.datanode.failed.volumes.tolerated 0 hdfs-site.xml 能够导致DN挂掉的坏硬盘最大数,默认0就是只要有1个硬盘坏了,DN就会shutdown。
6

dfs.data.dir,

dfs.datanode.data.dir

xxx,xxx hdfs-site.xml DataNode数据保存路径,可以写多块硬盘,逗号分隔
7

dfs.name.dir,

dfs.namenode.name.dir

xxx,xxx hdfs-site.xml NameNode本地元数据存储目录,可以写多块硬盘,逗号分隔
8 fs.trash.interval 1 core-site.xml 垃圾桶检查频度(分钟)。要禁用垃圾桶功能,请输入0。
9 dfs.safemode.min.datanodes 0 hdfs-site.xml 指定在名称节点存在 safemode 前必须活动的 DataNodes 数量。输入小于或等于 0 的值,以在决定启动期间是否保留 safemode 时将活动的 DataNodes 数量考虑在内。值大于群集中 DataNodes 的数量时将永久保留 safemode。
10 dfs.client.read.shortcircuit TRUE hdfs-site.xml 启用 HDFS short circuit read。该操作允许客户端直接利用 DataNode 读取 HDFS 文件块。这样可以提升本地化的分布式客户端的性能
11 dfs.datanode.handler.count 3 hdfs-site.xml DataNode 服务器线程数。默认为3,较大集群,可适当调大些,比如8。
12 dfs.datanode.max.xcievers, dfs.datanode.max.transfer.threads 256 hdfs-site.xml 指定在 DataNode 内外传输数据使用的最大线程数,datanode在进行文件传输时最大线程数
13 dfs.balance.bandwidthPerSec, dfs.datanode.balance.bandwidthPerSec 1048576 hdfs-site.xml 每个 DataNode 可用于平衡的最大带宽。单位为字节/秒

以上参数中可能有2个名称,前面一个是老版本1.x的后面的是新版本2.x的。

使用HDFS dfs命令对文件进行增删改查操作 https://www.linuxidc.com/Linux/2018-08/153641.htm

Hadoop集群间的HDFS文件拷贝  https://www.linuxidc.com/Linux/2017-09/146879.htm

Linux公社的RSS地址https://www.linuxidc.com/rssFeed.aspx

本文永久更新链接地址https://www.linuxidc.com/Linux/2018-10/154604.htm

linux
相关资讯       HDFS  HDFS原理  HDFS框架 
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数

       

评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款