hadoop学习之HDFS

1、什么是大数据？什么是云计算？什么是hadoop？

       大数据现在很火，到底什么是大数据，多大的数据才算大，一般而言对于TB级以上的数据我们成为大数据，对于这些数据它的价值在哪？大数据的价值就是我们大量的数据中分析出有价值的信息，来判断一些行为等等信息。而这些大数据存储在哪？如何进行分析？这就衍生了Hadoop。

     云计算是什么？通俗的说云计算就是大规模的计算机集群（即多台服务器集群），我们通过软件将这些计算机整合起来，根据需求根据用户来提供服务。比如进行一些数据的计算分析。用来提高工作效率。（这是目前理解的，后面有深入再写）

 什么是hadoop？通俗的说，hadoop就是对大数据进行处理的一个工具。利用它我们可以对数据的管理，主要有两方面：数据存储（HDFS）和数据计算（MapReduce、spark、storm），所以我们简单理解为一个数据处理工具即可。

2、什么是HDFS?

     刚上面说了HDFS是hadoop中负责对数据进行存储相当于的一个功能模块吧，总的来说，HDFS是一个分布式的文件系统，它可以无限制的存放大量的文件，这些文件分布式的存放在HDFS中，具有高容错、批处理的特点。

3、HDFS的原理？

HDFS的设计思想：

 

名称解释：

NN: namenode节点：作用：接收来自客户端是读写数据；存放元数据：元数据包括fsimage（格式化的时候产生）和editslog（对元数据进行CRUD的时候产生的日志文件）。

SNN: SecondaryNameNode：作用是协助NN完成元数据的更新操作。

DN:DataNode：数据节点：这里是存放数据的核心位置。DN会不停的向NN发送心跳，用于NN检测DN是否处于活动状态，有没有宕机。

大数据的存储是以块（block）来存储的，每个block默认有三个副本，这三个副本必须存放在不同的节点机器上，即三个不同的计算机。所以DN至少三台。一个DN上面可以存放多个不同的block块，DN的数量必须大于等于block的数量。

SNN合并图：

 

我们根据图来分析：

HDFS写流程：

 

 

 

4、HDFS如何搭建集群

 

前提：在进行各项试验之前，各个节点切换到root用户下，将防火墙关闭。 chkconfig iptables off 

centos中搭建集群的步骤：

搭建集群的环境，我们首先准备四个节点机器，一个用来作为NN，一个用来作为SNN,DN,另外两台作为DN .

（1）设置每个节点机器的ssh 免密码登录。

（2）设置NN上面可以免密码登录其余各个节点机器。（将NN的公钥复制给其余节点，其余节点授权NN可以登录自己）（SCP可以不同服务器直接互相传递文件的命令）

（3）解压hadoop后，

      修改配置文件：这个可以参考hadoop的API：

       修改hadoop-env.sh 文件配置jdk的路径

      修改core-site.xml文件：配置NN的访问端口

      修改hdfs-site.xml文件，配置SNN地址。

      设置slaves中三台DN的节点位置

       设置masters作为SNN的节点的位置。

（4）设置好后，复制hadoop到其余各个节点上面。

在NN上面启动hadoop：

   start-dfs.sh  即可启动。

5、什么是HA?

HA是高可用，即整个集群的高可用性。

首先为什么会出现HA?

一个集群中只有能有个NN处于活动状态，可是当这个NN宕机了呢，这个集群就不可用了。方案：一主一备，主的宕机了，备的NN作为主的，接替主的位置。

高可用的原因：NN宕机，内存受限

名称解释：

ZK:zookeeper：可以理解为一个服务的管理者，这里主要负责管理主备的自动切换。

JN: journalNode：在HA高可用的集群中，SNN的作用由JN来代替了，JN主要用来负责记录edits文件，共享edits文件，合并edits文件，用来根据edits来合并NN Active 和NN standy 的源文件。

NN acitve：主节点。

NN standby： 备节点。在主节点处于活动状态时，备节点是不作用的。因为一个集群只有一个NN活动。

FileController： 这个文件主要配合zk来进行主备节点的自动切换。

上图分析：

HA原理：

基于QJM的HDFS HA方案如上图所示，其处理流程为：集群启动后一个NameNode处于Active状态，并提供服务，处理客户端和DataNode的请求，并把editlog写到本地和share editlog（这里是QJM）中。另外一个NameNode处于Standby状态，它启动的时候加载fsimage，然后周期性的从share editlog中获取editlog，保持与Active节点的状态同步。为了实现Standby在Active挂掉后迅速提供服务，需要DataNode同时向两个NameNode汇报，使得Stadnby保存block to DataNode信息，因为NameNode启动中最费时的工作是处理所有DataNode的blockreport。为了实现热备，增加FailoverController和Zookeeper，FailoverController与Zookeeper通信，通过Zookeeper选举机制，FailoverController通过RPC让NameNode转换为Active或Standby。

 

HDFS HA通常由两个NameNode组成，一个处于Active状态，另一个处于Standby状态。Active NameNode对外提供服务，而Standby NameNode则不对外提供服务，仅同步Active NameNode的状态，以便能够在它失败时快速进行切换。

Hadoop 2.0官方提供了两种HDFS HA的解决方案，一种是NFS，另一种是QJM。这里我们使用简单的QJM。在该方案中，主备NameNode之间通过一组JournalNode同步元数据信息，一条数据只要成功写入多数JournalNode即认为写入成功。通常配置奇数个JournalNode，这里还配置了一个Zookeeper集群，用于ZKFC故障转移，当Active NameNode挂掉了，会自动切换Standby NameNode为Active状态。

YARN的ResourceManager也存在单点故障问题，这个问题在hadoop-2.4.1得到了解决：有两个ResourceManager，一个是Active，一个是Standby，状态由zookeeper进行协调。

YARN框架下的MapReduce可以开启JobHistoryServer来记录历史任务信息，否则只能查看当前正在执行的任务信息。

Zookeeper的作用是负责HDFS中NameNode主备节点的选举，和YARN框架下ResourceManaer主备节点的选举。

 

 

 

6、如何搭建高可用（HA）的HDFS?

centos搭建步骤：

搭建zk集群，搭建HA：

 HDFS HA配置要素

NameNode机器：两台配置对等的物理机器，它们分别运行Active和Standby Node。

JouralNode机器：运行JouralNodes的机器。JouralNode守护进程相当的轻量级，可以和Hadoop的其他进程部署在一起，比如NameNode、DataNode、ResourceManager等，至少需要3个且为奇数，如果你运行了N个JNS，那么它可以允许(N-1)/2个JNS进程失效并且不影响工作。

在HA集群中，Standby NameNode还会对namespace进行checkpoint操作（继承Backup Namenode的特性），因此不需要在HA集群中运行SecondaryNameNode、CheckpointNode或者BackupNode。

 HDFS HA配置参数

需要在hdfs.xml中配置如下参数：

dfs.nameservices：HDFS NN的逻辑名称，例如myhdfs。

dfs.ha.namenodes.myhdfs：给定服务逻辑名称myhdfs的节点列表，如nn1、nn2。

dfs.namenode.rpc-address.myhdfs.nn1：myhdfs中nn1对外服务的RPC地址。

dfs.namenode.http-address.myhdfs.nn1：myhdfs中nn1对外服务http地址。

dfs.namenode.shared.edits.dir：JournalNode的服务地址。

dfs.journalnode.edits.dir：JournalNode在本地磁盘存放数据的位置。

dfs.ha.automatic-failover.enabled：是否开启NameNode失败自动切换。

dfs.ha.fencing.methods ：配置隔离机制，通常为sshfence。

 HDFS自动故障转移

HDFS的自动故障转移主要由Zookeeper和ZKFC两个组件组成。

Zookeeper集群作用主要有：一是故障监控。每个NameNode将会和Zookeeper建立一个持久session，如果NameNode失效，那么此session将会过期失效，此后Zookeeper将会通知另一个Namenode，然后触发Failover；二是NameNode选举。ZooKeeper提供了简单的机制来实现Acitve Node选举，如果当前Active失效，Standby将会获取一个特定的排他锁，那么获取锁的Node接下来将会成为Active。

ZKFC是一个Zookeeper的客户端，它主要用来监测和管理NameNodes的状态，每个NameNode机器上都会运行一个ZKFC程序，它的职责主要有：一是健康监控。ZKFC间歇性的ping NameNode，得到NameNode返回状态，如果NameNode失效或者不健康，那么ZKFS将会标记其为不健康；二是Zookeeper会话管理。当本地NaneNode运行良好时，ZKFC将会持有一个Zookeeper session，如果本地NameNode为Active，它同时也持有一个“排他锁”znode，如果session过期，那么次lock所对应的znode也将被删除；三是选举。当集群中其中一个NameNode宕机，Zookeeper会自动将另一个激活。

 

HA集群启动：

     首先启动zk集群，zkServer.sh start

     启动hadoop集群：  start-hdfs.sh

 

7.实验结果：

访问主NN的地址：node1:50070

          访问备机：node5:50070

一个显示active 一个显示standby

当一个kill进程主机后，另外standby切换成active

 

说明：配置下各个节点的名称： 在etc下的hosts文件中添加ip 和节点名。