HDFS 入門和基本操作

1、HDFS 是做什么的

　　Hadoop實現了一個分布式文件系統（Hadoop Distributed File System），簡稱HDFS，hdfs是分布式計算中數據存儲管理的基礎，是基于流數據模式訪問和處理超大文件的需求而開發的，可以運行于廉價的商用服務器上。它所具有的高容錯、高可靠性、高可擴展性、高獲得性、高吞吐率等特征為海量數據提供了不怕故障的存儲，為超大數據集（Large Data Set）的應用處理帶來了很多便利。

2、為什么選擇 HDFS 存儲數據

　 之所以選擇 HDFS 存儲數據，因為 HDFS 具有以下優點：

? 數據自動保存多個副本。它通過增加副本的形式，提高容錯性。

? 某一個副本丟失以后，它可以自動恢復，這是由 HDFS 內部機制實現的，我們不必關心。

? 它是通過移動計算而不是移動數據。

? 它會把數據位置暴露給計算框架。

     處理數據達到 GB、TB、甚至PB級別的數據。

? 能夠處理百萬規模以上的文件數量，數量相當之大。

? 能夠處理10K節點的規模。

? 一次寫入，多次讀取。文件一旦寫入不能修改，只能追加。

? 它能保證數據的一致性。

　　5、可構建在廉價機器上

? 它通過多副本機制，提高可靠性。

? 它提供了容錯和恢復機制。比如某一個副本丟失，可以通過其它副本來恢復。

　　當然 HDFS 也有它的劣勢，并不適合所有的場合：

? 比如毫秒級的來存儲數據，這是不行的，它做不到。

? 它適合高吞吐率的場景，就是在某一時間內寫入大量的數據。但是它在低延時的情況下是不行的，比如毫秒級以內讀取數據，這樣它是很難做到的。

? 存儲大量小文件(這里的小文件是指小于HDFS系統的Block大小的文件（默認64M）)的話，它會占用 NameNode大量的內存來存儲文件、目錄和塊信息。這樣是不可取的，因為NameNode的內存總是有限的

? 小文件存儲的尋道時間會超過讀取時間，它違反了HDFS的設計目標。

? 一個文件只能有一個寫，不允許多個線程同時寫。

? 僅支持數據 append（追加），不支持文件的隨機修改。

3、內部結構

HDFS 如何上傳數據

HDFS 采用Master/Slave的架構來存儲數據，這種架構主要由四個部分組成，分別為HDFS Client、NameNode、DataNode和Secondary NameNode。下面我們分別介紹這四個組成部分

• 文件切分。文件上傳 HDFS 的時候，Client 將文件切分成 一個一個的Block，然后進行存儲。
• 與 NameNode 交互，獲取文件的位置信息。
• 與 DataNode 交互，讀取或者寫入數據。
• Client 提供一些命令來管理 HDFS，比如啟動或者關閉HDFS。
• Client 可以通過一些命令來訪問 HDFS。

• 管理 HDFS 的名稱空間
• 管理數據塊（Block）映射信息
• 配置副本策略
• 處理客戶端讀寫請求。

• 存儲實際的數據塊。
• 執行數據塊的讀/寫操作。

• 輔助 NameNode，分擔其工作量。
• 定期合并 fsimage和fsedits，并推送給NameNode。
• 在緊急情況下，可輔助恢復 NameNode。

5、HDFS 如何讀取文件

HDFS的文件讀取原理，主要包括以下幾個步驟：

• 首先調用FileSystem對象的open方法，其實獲取的是一個DistributedFileSystem的實例。
• DistributedFileSystem通過RPC(遠程過程調用)獲得文件的第一批block的locations，同一block按照重復數會返回多個locations，這些locations按照hadoop拓撲結構排序，距離客戶端近的排在前面。
• 前兩步會返回一個FSDataInputStream對象，該對象會被封裝成 DFSInputStream對象，DFSInputStream可以方便的管理datanode和namenode數據流。客戶端調用read方法，DFSInputStream就會找出離客戶端最近的datanode并連接datanode。
• 數據從datanode源源不斷的流向客戶端。
• 如果第一個block塊的數據讀完了，就會關閉指向第一個block塊的datanode連接，接著讀取下一個block塊。這些操作對客戶端來說是透明的，從客戶端的角度來看只是讀一個持續不斷的流。
• 如果第一批block都讀完了，DFSInputStream就會去namenode拿下一批blocks的location，然后繼續讀，如果所有的block塊都讀完，這時就會關閉掉所有的流。

6、HDFS 如何寫入文件

HDFS的文件寫入原理，主要包括以下幾個步驟：

• 客戶端通過調用 DistributedFileSystem 的create方法，創建一個新的文件。
• DistributedFileSystem 通過 RPC（遠程過程調用）調用 NameNode，去創建一個沒有blocks關聯的新文件。創建前，NameNode 會做各種校驗，比如文件是否存在，客戶端有無權限去創建等。如果校驗通過，NameNode 就會記錄下新文件，否則就會拋出IO異常。
• 前兩步結束后會返回 FSDataOutputStream 的對象，和讀文件的時候相似，FSDataOutputStream 被封裝成 DFSOutputStream，DFSOutputStream 可以協調 NameNode和 DataNode。客戶端開始寫數據到DFSOutputStream,DFSOutputStream會把數據切成一個個小packet，然后排成隊列 data queue。
• DataStreamer 會去處理接受 data queue，它先問詢 NameNode 這個新的 block 最適合存儲的在哪幾個DataNode里，比如重復數是3，那么就找到3個最適合的 DataNode，把它們排成一個 pipeline。DataStreamer 把 packet 按隊列輸出到管道的第一個 DataNode 中，第一個 DataNode又把 packet 輸出到第二個 DataNode 中，以此類推。
• DFSOutputStream 還有一個隊列叫 ack queue，也是由 packet 組成，等待DataNode的收到響應，當pipeline中的所有DataNode都表示已經收到的時候，這時akc queue才會把對應的packet包移除掉。
• 客戶端完成寫數據后，調用close方法關閉寫入流。
• DataStreamer 把剩余的包都刷到 pipeline 里，然后等待 ack 信息，收到最后一個 ack 后，通知 DataNode 把文件標示為已完成。

7、命令行接口

兩個屬性項： fs.default.name 用來設置Hadoop的默認文件系統，設置hdfs URL則是配置HDFS為Hadoop的默認文件系統。dfs.replication 設置文件系統塊的副本個數

文件系統的基本操作：hadoop fs -help可以獲取所有的命令及其解釋

常用的有：

• hadoop fs -ls / 列出hdfs文件系統根目錄下的目錄和文件
• hadoop fs -put<local path> <hdfs path> 從本地文件系統將一個文件上傳到HDFS
• hadoop fs -get<hdfs path> <local path> 從本地文件系統將一個文件上傳到HDFS
• hadoop fs -rm -r <hdfs dir or file> 刪除文件或文件夾及文件夾下的文件
• hadoop fs -mkdir <hdfs dir>在hdfs中新建文件夾

操作路程

• cd hadoop.2.5.2

• cd sbin

• ./start-all.sh //啟動hdfs服務，yarn服務

• cd ..

• cd bin

• ./haoop dfs –ls / 解釋：./hdfs 是hdfs命令 dfs參數 表示在hadoop里有效 –ls /顯示hdfs根目錄

• ./haoop dfs –rm /test/count/SUCCESS //刪除/test/count目錄里的SUCCESS文件

• ./haoop dfs –rmr /test/count/output //刪除/test/count/output目錄

• ./haoop dfs –mkdir /test/count/input //創建/test/count/input目錄

• 從linux的 共享文件夾取得要分析的文件，上傳到 hdfs

  ./hadoop fs –put /mnt/hgfs/share/phone.txt /test/network

• 執行代碼分析，

  ./hadoop jar /mnt/hgfs/share/mobile.jar com.wanho.hadoopmobile.PhoneDriver

• 將產生的結果，傳回linux的共享文件夾

  ./hadoop fs –get /test/network/output1 /mnt/hgfs/share