Datawhale
大数据技术相关内容的导论课程：妙趣横生大数据 Juicy Big Data

---

三、Hadoop 分布式文件系统(HDFS)

1. 分布式文件系统

分布式文件系统：管理网络中跨多台计算机存储的文件系统；解决海量数据的高效存储。

文件采取“块”的方式存储，块是数据读取的基本单元。HDFS默认一个块大小为64MB（普通文件系统磁盘块为512字节），设计比较大的块的目的是为了最小化寻址开销；同时也要避免块过大影响MapReduce并行速度。

设计：“客户机/服务器”（Client/Server）

物理结构：

• 主节点（Master Node)，名称节点（NameNode）
  • 文件和目录的创建、删除和重命名
  • 管理数据节点和文件快的映射关系
• 从节点（Worker Node），数据节点（DataNode）
  • 数据的存储和读取

1. 分布式文件系统采用多副本存储，以保证数据完整性
2. 分布式文件系统为大规模数据存储设计（TB级文件）

2. HDFS 简介

HDFS（Hadoop Distribute File System）

• 是大数据领域中以分布式方式存储超大数据量文件的存储系统
• HDFS是Hadoop和其他组件的数据存储层

优点：

• 兼容廉价的硬件设备：实现在硬件故障的情况下也能保障数据的完整性
• 流数据读写：不支持随机读写的操作
• 大数据集：数据量一般在GB、TB以上的级别
• 简单的文件模型：一次写入、多次读取
• 强大的跨平台兼容性：采用Java语言实现

局限性：

• 不适合低延迟数据访问：流式数据读取，较高延迟
• 无法高效存储大量小文件：影响元数据减少效率、增加Mpa任务线程管理开销、数据节点间跳跃频繁影响性能
• 不支持多用户写入及任意修改文件：一个文件只有一个写入者，只允许对文件追加操作

3. HDFS 体系结构

主从（Master/Slave）结构模型

一个HDFS集群包括：

• 一个名称节点（NameNode）
• 若干个数据节点（DataNode）
  • 周期性发送“心跳”信息，报告状态

【说明】用户使用 HDFS，

客户端存储时：

1. 一个文件分为若干个数据块存储
2. 每个数据块分布存储到若干个 DataNode 上

客户端读取时：

1. 根据文件名从 NameNode 获取 数据块 和 数据块位置（DataNode）
2. 访问 DataNode 获取数据

【优点】提高了数据访问速度，读取一个文件时从不同 DataNode 上并发访问

4. HDFS存储原理

数据冗余存储

多副本方式，一个数据块的多个副本被分布到不同的数据节点上

• 加快数据传输速度
• 容易检出数据错误
• 保证数据的可靠性

数据存储策略

1. 数据存储

   • HDFS采用了以 **机架（Rack）**为基础的数据存放策略，一个HDFS集群通常包含多个机架

     • 不同机架之间的数据通信需要经过交换机或路由器
     • 同一机架的不同机器之间数据通信不需要交换机或路由器（通信带宽比不同机架间通信带宽大）

   • HDFS 默认每个数据节点都是在不同机架上

     • 缺点：写入数据的时候不能充分利用同一机架内部机器之间的带宽

     • 优点：1. 很高的数据可靠性

       ​ 2. 多机架并行读取数据，提高数据读取速度

       ​ 3. 更容易实现系统内部负载均衡和错误纠正

   • HDFS默认的冗余复制因子是 3

     • 每一个文件会被同时保存到 3 个地方
       • 两份副本放在同一个机架的不同机器上面
       • 第三个副本放在不同机架的机器上面

2. 数据读取

   • HDFS提供了一个确定DataNode所属机架 ID 的 API，读取时就近读取

3. 数据复制

   • 流水线复制（第一个DataNode写入数据后，会根据列表中DataNode将数据和列表传给第二个DataNode，以此类推）

数据错误与恢复

1. NameNode 出错

   • NameNode 元数据信息同步存储到其他文件系统
   • 第二名称节点

2. DataNode 出错

   • NameNode 没收到 DataNode 的‘心跳’信息，便定义为‘宕机’，数据标记为不可读，取消 I/O 请求
   • 名称节点检查发现某个数据的副本数量小于冗余因子时，启动数据冗余复制生成新的副本

3. 数据出错

   • 网络传输和磁盘错误
   • md5和sha1校验、信息文件校验

5. HDFS数据读写过程

读写过程

翻译经典 HDFS 原理讲解漫画 之一----系统构成和写数据过程_笑寒x的博客-CSDN博客

HDFS故障类型和其检测方法

• 读写故障的处理
  • 读：从其他备份的节点读取（NameNode会返回数据块存在的所有DataNode）
  • 写：没有收到DataNode接受数据块的应答信号，调整通道跳过这个节点

翻译经典 HDFS 原理讲解漫画 之二----读数据和容错_笑寒x的博客-CSDN博客

• DataNode故障处理

  • NameNode 表

    • 数据块列表：数据块N —— 存储在 DN1, DN2, DN3
    • DataNode列表：DATANODE 1 —— 存储数据块1，…，数据块N

  • 持续更新这两个表

  • 数据未充分备份会启动DataNode备份（前提是HDFS至少存在一个备份）

• 副本布局策略

  • 第一个：就近
  • 后续：不同机架（每个机架最多存储两份副本）

翻译经典 HDFS 原理讲解漫画 之三—容错和副本布局策略_笑寒x的博客-CSDN博客

HDFS编程实验

1. 本地和集群文件间操作

# 拷贝目录到集群
hadoop fs -put <local dir> <hdfs dir>
# 拷贝文件
hadoop fs -put <local file> <hdfs dir>

# 拷贝到本地
hadoop fs -get < hdfs file or dir > < local file or dir>

# 拷贝并移除
hadoop fs -moveFromLocal <local src> <hdfs dst>

2. 基本文件操作

# 查看
hadoop fs -ls /    # -R: 包含子目录下文件

# 删除
hadoop fs -rm -r <hdfs dir> ...
hadoop fs -rm <hdfs file> ...

# 创建
hadoop fs -mkdir <hdfs path>

# 复制
hadoop fs -cp <hdfs file or dir>... <hdfs dir>

# 移动
hadoop fs -mv <hdfs file or dir>... <hdfs dir>

# 统计路径下的目录个数，文件个数，文件总计大小
hadoop fs -count <hdfs path>

#显示文件夹和文件的大小
hadoop fs -du <hdsf path>

# 查看文件
hadoop fs -cat /demo.txt
hadoop fs -tail -f /demo.txt

# 更改权限
hadoop fs -chown user:group /datawhale
hadoop fs -chmod 777 /datawhale

# 本地文件内容追加到hdfs文件系统中的文本文件
hadoop fs -appendToFile <local file> <hdfs file>

这里遇到一个错误：Failed to APPEND_FILE /p1 for DFSClient_NONMAPREDUCE_985284284_1 on 192.168.137.101 because lease recovery is in progress. Try again later.

解决：hdfs dfs -appendToFile error 问题解决_故事の尾音的博客-CSDN博客_hdfs appendtofile

# 修改 hdfs-stie.xml 文件
<!-- appendToFile追加 -->
<property>
        <name>dfs.support.append</name>
        <value>true</value>
</property>
 
<property>
        <name>dfs.client.block.write.replace-datanode-on-failure.policy</name>
        <value>NEVER</value>
</property>
<property>
        <name>dfs.client.block.write.replace-datanode-on-failure.enable</name>
        <value>true</value>
</property>

3. Hadoop 系统操作

# 改变文件在hdfs文件系统中的副本个数
hadoop fs -setrep -R 3 <hdfs path>

# 查看对应路径的状态信息
hdoop fs -stat [format] < hdfs path >

# %b：文件大小
# %o：Block大小
# %n：文件名
# %r：副本个数
# %y：最后一次修改日期和时间


# 手动启动内部的均衡过程（DataNode 数据保存不均衡）
hadoop balancer    # 或 hdfs balancer


# 管理员通过 dfsadmin 管理HDFS
hdfs dfsadmin -help
hdfs dfsadmin -report
hdfs dfsadmin -safemode <enter | leave | get | wait>

---

Datawhale
大数据技术相关内容的导论课程：妙趣横生大数据 Juicy Big Data