Hadoop数据存储及管理

一、分布式文件存储面临的挑战

1.海量数据存储问题

采用多台服务器，支持横向扩展

2.海量数据问题查询便捷问题

使用元数据记录文件和机器的位置信息

3.大文件传输效率慢问题

分块存储，分别存储在多台机器上，并行操作提高效率

4.数据丢失问题

冗余存储，多副本机制

5.解决用户查询视角统一规整问题

可以报分布式文件系统的元数据记录抽象为统一的目录树结构，类似传统的操作系统

二、HDFS应用场景

适合场景

1.主要以流式读取数据，主要用于批处理，相较于数据访问的反应时间，更注重数据访问的吞吐量

2.HDFS支持大文件，典型的文件大小是GB到TB级别

3.HDFS对文件的要求是 write-one-read-many访问模型，一个文件一旦创建、写入、关闭之后就不需要修改了

不适合场景

1.小文件

2.数据交互式访问

3.频繁任意修改

4.低延迟处理

三、HDFS特性

1.主从架构

HDFS采用master/slave架构。一般一个HDFS集群是有一个Namenode和一定数目的Datanode组成。Namenode是HDFS主节点，Datanode是HDFS从节点，两种角色各司其职，共同协调完成分布式的文件存储服务

Namenode：管理文件系统元数据信息

Datanode：负责数据存储

2.分块存储

HDPS中的文件在物理上是分块存储(block)的，块的大小可以通过配置参数来规定，参数位于hdfs-default.xml中: dfs.blocksize。默认大小是128M (134217728)

3.副本机制

文件的所有block都会有副本，默认值为3(3副本)。每个文件的block大小(dfs.blocksize)和副本系数(dfs.replication)都是可配置的。副本系数可以在文件创建的时候指定，也可以在之后通过命令改变

4.namespace

HDFS支持传统的层次型文件组织结构。用户可以创建目录，然后将文件保存在这些目录里。文件系统名字空间的层次结构和大多数现有的文件系统类似∶用户可以创建、删除、移动或重命名文件。

Namenode负责维护文件系统的namespace名称空间，任何对文件系统名称空间或属性的修改都将被Namenode记录下来。

5.元数据管理

在HDFS中，Namenode管理的元数据具有两种类型:

文件自身属性信息

文件名称、权限，修改时间，文件大小，副本数，数据块大小。

文件块位置映射信息

记录文件块和DataNode之间的映射信息，即哪个块位于哪个节点上。

6.数据块存储

文件的各个block的具体存储管理由DataNode节点承担。每一个block都可以在多个DataNode上存储

四、HDFS Shell CLI使用

参考：https://hadoop.apache.org/docs/r3.1.4/hadoop-project-dist/hadoop-hdfs/HDFSCommands.html

1.创建目录

hdfs dfs -mkdir /{source,common,workspace,tmp,warehouse} #如果是非/目录，可以添加-p地柜创建

hdfs dfs -ls / #-h 适合人类查看的格式 -R 递归查看

2.上传文件

hddoop fs -put [-f] [-p] # -f 强制覆盖 -p 保留访问和修改时间，所有权和权限 localsrc 本地文件系统 dst HDFS

hadoop fs -mkdir -p /source/weibo/star/comment_log/20221227_hdp01.dialev.com

hadoop fs -put caixukun.csv /source/weibo/star/comment_log/20221227_hdp01.dialev.com/

hadoop fs -ls -h /source/weibo/star/comment_log/20221227_hdp01.dialev.com/

Found 1 items

-rw-r--r-- 2 root supergroup 2.4 M 2022-12-27 13:40 /source/weibo/star/comment_log/20221227_hdp01.dialev.com/caixukun.csv

hddoop fs -moveFromLocal #和put类似，但是上传完成后文件会被删除

3.查看文件

hadoop fs -cat #读取文件全部内容显示再标准输出控制台，大文件慎重

hadoop fs -head #查看文件前1KB内容

hadoop fs tail [-f] #查看文件最后1KB内容

4.下载文件

hadoop fs -get [-f] [-p] #从HDFS下载文件 -f 覆盖本地已存在目录 -p 保留访问和修改时间，所有权和权限

hadoop fs -getmerge [nl] [-skip-empty-file] #下载多个文件到本地合成成一个文件 -nl 每个文件末尾添加换行符

5.追加数据到文件

hadoop fs -appendToFile #如果dst不存在则创建，如果未-则表示从标准输入中获取

6.查看磁盘空间大小

hadoop fs -df [h] #显示文件系统容量即使用大小

hadoop fs -du -s -h # -s显示指定路径文件长度的汇总摘要

7.文件移动

hadoop fs -mv [-f]

8.修改指定文件副本个数

hadoop fs -setrep [-R] [-w] # -w 命令行等待副本修改完毕，时间可能会比较长

hdfs hadoop 命令区别

hdfs dfs options(只能操作HDFS系统相关包括local FS)

hadoop fs optinos(任意操作系统)

https://hadoop.apache.org/docs/r3.1.4/hadoop-project-dist/hadoop-common/FileSystemShell.html

Java Cli API

Configuration 配置对象类，用于加载或设置参数属性

FileSystem 文件系统对象基类。针对不同文件系统有不同具体实现。该类封装了文件系统的相关操作方法。

1.pom.xml文件

xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">

4.0.0

com.dialev.hadoop

example-hdfs

1.0-SNAPSHOT

8

8

UTF-8

org.apache.hadoop

hadoop-common

3.1.4

org.apache.hadoop

hadoop-client

3.1.4

org.apache.hadoop

hadoop-hdfs

3.1.4

junit

junit

4.13

org.apache.maven.plugins

maven-compiler-plugin

3.1

1.8

1.8

===============================================================================================================

2.HDFSClientTest.java文件

package com.dialev.hadoop;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.FileSystem;

import org.apache.hadoop.fs.Path;

import org.apache.hadoop.yarn.webapp.hamlet2.Hamlet;

import org.junit.After;

import org.junit.Before;

import org.junit.Test;

import java.io.IOException;

public class HDFSClientTest {

private static Configuration conf = null;

private static FileSystem fs = null;

@Before

public void connect2HDFS() throws IOException {

// 创建配置对象实例

conf = new Configuration();

// 设置连接用户，默认为当前登录用户

System.setProperty("HADOOP_USER_NAME","root");

// https://github.com/steveloughran/winutils 下载winutils到 C:/windows/system32 下，下载Hadoop到本地将HADOOP_HOME指向解压的目录

System.setProperty("HADOOP_HOME","D:\\hadoop-3.1.4");

// 设置操作的文件系统是HDFS 并指定HDFS地址 键值对为core-site.xml中fs.defaultFS配置

conf.set("fs.defaultFS", "hdfs://192.168.1.131:8020");

// 创建FileSystem对象实例

fs = FileSystem.get(conf);

}

@Test

public void mkdir() throws IOException {

if (! fs.exists(new Path("/test"))){

fs.mkdirs(new Path("/test"));

}

}

@Test

public void getFile2Local() throws IOException {

Path src = new Path("/bowen/yarn-env.sh");

Path dst = new Path("C:\\Users\\kaluomei\\Desktop\\yarn-env.sh");

fs.copyToLocalFile(src,dst);

}

@Test

public void putFile2HDFS() throws IOException {

Path src = new Path("C:\\Users\\kaluomei\\Desktop\\安装部署手册.docx");

Path dst = new Path("/bowen/安装部署手册.docx");

fs.copyFromLocalFile(src,dst);

}

@After

public void close() throws IOException {

// 判断文件系统是否初始化

if (fs != null) {

fs.close();

}

}

}

五、webHDFS

FileSystem URIs vs HTTP URLs

·

WebHDFS的文件系统schema为webhdfs://。URL格式为:

webhdfs://:/

效果相当于hdfs://:/在RESTful风格的API中，相应的HTTP URL格式:

http://:/webhdfs/v1/?op=... #op后面参数是需要执行的动作

示例：http://192.168.1.131:50070/webhdfs/v1/?op=LISTSTATUS

http://192.168.1.131:50070/webhdfs/v1/bowen/t1.txt?op=OPEN&noredirect=false #noredirect指定是否从定向到datanode节点，以设置不跳转，返回一个datanode的链接

参数参考文档：https://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/WebHDFS.html

六、httpFS(HDFS网关代理)

client (http)--> httpFS (WebHTTP)--> HDFS

HttpFS本身是Java Web应用程序。使用内置的Jetty服务器对外提供服务。

HttpFS是一个独立于HDFS的服务。本质上是一个代理服务。

1.开启

core-site.xml 添加

hadoop.proxyuser.root.hosts # root.hosts为服务器上用户

*

hadoop.proxyuser.root.groups #root.groups同上

*

2.同步配置并重启

hdfs --daemon start httpfs

3.访问

http://192.168.1.131:14000/static/index.html #默认14000端口 /static/index.html 为主页

Namec Descriptione

/conf Display configuration properties

/jmx Java JMX management interfacee

/logLevel Get or set log level per classe

/logs Display log filese

/stacks Display JVM stackse

/static/index.htmle The static home pagee

4.默认访问401，需要认证

http://192.168.1.131:14000/static/index.html?user.name=root

http://192.168.1.131:14000/webhdfs/v1?user.name=root&op=LISTSTATUS #使用方法和webhdfs类似，但是更安全和高效

七、HDFS存储

7.1 存储类型

RAM_DISK(内存)

SSD(固态)

DISK(机械，默认使用)

ARCHIVE(高密度存储介质，存储历史数据)

7.2 存储类型配置

配置属性时主动声明。HDFS并没有自动检测的能力。

配置参数dfs.datanode.data.dir = [SSD]file://grid/dn/ssdO

如果目录前没有带上[SSD][DISK] [ARCHIVE][RAM_DISK ]这4种类型中的任何一种，则默认是DISK类型。

vim core-site.xml

hadoop.tmp.dir

/Hadoop/tmp

7.3 查看当前存储类型

访问http://192.168.1.131:50070/dfshealth.html#tab-datanode ，点击任意datanode节点查看StorageType字段

7.4 存储策略

HOT(默认,所有副本都存储在DISK中)

COLD(所有副本存储再ARCHIVE中)

WARM(一部分在DISK,一部分在ARCHIVE)

ALL_SSD(所有副本都存储到SSD)

ONE_SSD(只存储1个副本到SSD,其余存储到DISK中)

LAZY_PERSIST(仅限于单副本块,先存储到RAM_DISK,延迟报错到DISK中)

前三种根据冷热数据区分，后三种根据磁盘性质区分。

7.5 查看和设置存储策略

1.hdfs storagepolicies -listPolicies #查看存储策略

2.hdfs storagepolicies -setStoragePolicy -path -policy # 设置存储策略，path 引用目录或文件的路径 policy 存储策略名称

3.hdfs storagepolicies -unsetStoragePolicy -path # 取消存储策略，取消后该路径将使用父目录存储策略,如果父目录为/，则策略为HOT

4.hdfs storagepolicies -getStoragePolicy -path # 查看路径存储策略

7.6 示例

1.修改datanode存储类型及路径

vim hdfs-site.xml

// 修改前

dfs.datanode.data.dir

/Hadoop/data

//修改后

dfs.datanode.data.dir

[DISK]file:///mnt/data/datanode,[ARCHIVE]file:///mnt/data/archive

同步配置(每个datanode也可以根据实际情况单独配置)

重启服务

stop-dfs.sh

start-dfs.sh

访问http://192.168.1.131:50070/dfshealth.html#tab-datanode ，点击任意datanode节点查看StorageType字段

2.创建测试目录

hadoop fs -mkdir -p /data/{hot,warm,cold}

3.分别设置三个目录存储策略

hdfs storagepolicies -setStoragePolicy -path /data/hot -policy HOT

hdfs storagepolicies -setStoragePolicy -path /data/warm -policy WARM

hdfs storagepolicies -setStoragePolicy -path /data/cold -policy COLD

hdfs storagepolicies -getStoragePolicy -path /data/hot

4.上传测试文件(文件任意)

hadoop fs -put anaconda-ks.cfg /data/hot

hadoop fs -put anaconda-ks.cfg /data/warm

hadoop fs -put anaconda-ks.cfg /data/cold

5.验证结果

hdfs fsck /data/hot/anaconda-ks.cfg -files -blocks -locations #查看HOT储存

......

/data/hot/anaconda-ks.cfg 1290 bytes, replicated: replication=2, 1 block(s): OK #总共两个副本

0. BP-631728325-192.168.1.131-1672044003397:blk_1073741941_1117 len=1290 Live_repl=2 [DatanodeInfoWithStorage[192.168.1.132:9866,DS-9e039269-bed9-42a5-a79a-3a3b1bf2ab0a,DISK], DatanodeInfoWithStorage[192.168.1.131:9866,DS-1be7b9ec-cc5e-406a-bb35-cb0dc56fc5e2,DISK]] #HOT存储两个副本都存储在DISK上

......

hdfs fsck /data/warm/anaconda-ks.cfg -files -blocks -locations #查看WARM储存

......

/data/warm/anaconda-ks.cfg 1290 bytes, replicated: replication=2, 1 block(s): OK

0. BP-631728325-192.168.1.131-1672044003397:blk_1073741942_1118 len=1290 Live_repl=2 [DatanodeInfoWithStorage[192.168.1.132:9866,DS-ecfa1d69-9ae6-4bda-862f-593c74b9159e,ARCHIVE], DatanodeInfoWithStorage[192.168.1.131:9866,DS-1be7b9ec-cc5e-406a-bb35-cb0dc56fc5e2,DISK]] #WARM存储两个副本一个在DISK上，一个在ARCHIVE上

hdfs fsck /data/cold/anaconda-ks.cfg -files -blocks -locations #查看COLD储存

......

/data/cold/anaconda-ks.cfg 1290 bytes, replicated: replication=2, 1 block(s): OK

0. BP-631728325-192.168.1.131-1672044003397:blk_1073741943_1119 len=1290 Live_repl=2 [DatanodeInfoWithStorage[192.168.1.131:9866,DS-499f93c3-61cc-40fb-9c7d-fc81ec773cb3,ARCHIVE], DatanodeInfoWithStorage[192.168.1.133:9866,DS-dc7ea5ce-4dfd-4b4f-a8db-3c465a479670,ARCHIVE]] #COLD存储两个副本都存储在ARCHIVE上

......

7.7 HDFS内存存储策略支持--LAZY PERSIST介绍

HDFS支持把数据写入由DataNode管理的堆外内存;

DataNode异步地将内存中数据刷新到磁盘，从而减少代价较高的磁盘I0操作，这种写入称为 Lazy Persist写入。

1.配置虚拟内存盘(无法直接写入内存，需要借助tmpfs技术)

mount -t tmpfs -o size=1g tmpfs /mnt/data/ram_disk

2.创建测试目录

hadoop fs -mkdir -p /data/ram_disk

3.配置目录存储策略

vim hdfs-site.xml

dfs.datanode.data.dir

[DISK]file:///mnt/data/datanode,[ARCHIVE]file:///mnt/data/archive,[RAM_DISK]file:///mnt/data/ram_disk

dfs.storage.policy.enabled

true

dfs.datanode.max.locked.memory

65536

dfs.permissions

false

4.上传目录设置存储策略

hdfs storagepolicies -setStoragePolicy -path /data/ram_disk -policy LAZY_PERSIST #注意此处 path 路径为HDFS路径，配置文件为本地路径

扩展命令：

hdfs dfs -mv