Hadoop学习笔记day1

Hadoop初识

Hadoop核心组件

Hadoop HDFS（分布式文件存储系统）：解决海量数据存储

Hadoop YARN（集群资源管理和任务调度框架）：解决资源任务调度

Hadoop MapReduce（分布式计算框架）：解决海量数据计算

Hadoop集群整体概述

Hadoop集群包括两个集群：HDFS集群、YARN集群

两个集群逻辑上分离、通常物理上在一起

两个集群都是标准的主从架构集群

HDFS集群（分布式存储）

• 主角色：NameNode
• 从角色：DataNode
• 主角色辅助角色：SecondaryNameNode

YARN集群(资源管理、调度)

• 主角色：ResourceManager
• 从角色：NodeManager

逻辑上分离

两个集群互相之间没有依赖、互不影响

物理上在一起

某些角色进程往往部署在同一台物理服务器上

MapReduce集群呢？

MapReduce是计算框架、代码层面的组件 没有集群之说

Hadoop安装包目录结构

Hadoop的启动

手动逐个进程启停

每台机器上每次手动启动关闭一个角色进程,可以精准控制每个进程启停，避免群起群停。

HDFS集群

 #hadoop2.x 版本命令
 hadoop-daemon.sh start|stop namenode|datanode|secondarynamenode
 
 #hadoop3.x 版本命令
 hdfs --daemon start|stop namenode|datanode|secondarynamenode

YARN集群

 #hadoop2.x 版本命令
 yarn-daemon.sh start|stop resourcemanager|nodemanager
 
 #hadoop3.x 版本命令
 yarn --daemon start|stop resourcemanager|nodemanager

shell脚本一键启停

• HDFS集群

  start-dfs.sh

  stop-dfs.sh

• YARN集群

  start-yarn.sh

  stop-yarn.sh

• Hadoop集群

  start-all.sh

  stop-all.sh

Hadoop启动日志路径：/export/server/hadoop-3.3.0/logs/

HDFS基础

• 数据

指存储的内容本身，比如文件、视频、图片等，这些数据底层最终是存储在磁盘等存储介质上的，一般用户无需关心，只需要基于目录树进行增删改查即可，实际针对数据的操作由文件系统完成。

• 元数据

元数据（metadata）又称之为解释性数据，记录数据的数据；文件系统元数据一般指文件大小、最后修改时间、底层存储位置、属性、所属用户、权限等信息。

HDFS简介

HDFS（Hadoop Distributed File System ），意为：Hadoop分布式文件系统。

是Apache Hadoop核心组件之一，作为大数据生态圈最底层的分布式存储服务而存在。也可以说大数据首先要解决的问题就是海量数据的存储问题。

• HDFS主要是解决大数据如何存储问题的。分布式意味着是HDFS是横跨在多台计算机上的存储系统。

• HDFS是一种能够在普通硬件上运行的分布式文件系统，它是高度容错的，适应于具有大数据集的应用程序，它非常适于存储大型数据 (比如 TB 和 PB)。

• HDFS使用多台计算机存储文件, 并且提供统一的访问接口, 像是访问一个普通文件系统一样使用分布式文件系统。

HDFS适合场景

大文件

数据流式访问

一次写入多次读取

低成本部署，廉价PC

高容错

HDFS特点

主从架构

HDFS集群是标准的master/slave主从架构集群。

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。

官方架构图中是一主五从模式，其中五个从角色位于两个机架（Rack）的不同服务器上。

分块存储

HDFS中的文件在物理上是分块存储（block）的，默认大小是128M（134217728），不足128M则本身就是一块。

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。

副本机制

文件的所有block都会有副本。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。

副本数由参数dfs.replication控制，默认值是3，也就是会额外再复制2份，连同本身总共3份副本。

元数据记录

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，复制因子，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。

抽象统一的目录树结构（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。

HDFS会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data。

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。

HDFS shell操作

HDFS shell命令行解释说明

Hadoop提供了文件系统的shell命令行客户端: hadoop fs [generic options]

• HDFS Shell CLI支持操作多种文件系统，包括本地文件系统（file:///）、分布式文件系统（hdfs://nn:8020）等

• 具体操作的是什么文件系统取决于命令中文件路径URL中的前缀协议。

• 如果没有指定前缀，则将会读取环境变量中的fs.defaultFS属性，以该属性值作为默认文件系统。

hadoop fs -ls file:/// #操作本地文件系统
hadoop fs -ls hdfs://node1:8020/ #操作HDFS分布式文件系统
hadoop fs -ls / #直接根目录，没有指定协议 将加载读取fs.defaultFS值

HDFS shell命令行常用操作

1、创建文件夹

hadoop fs -mkdir [-p] <path> ...

​ path 为待创建的目录

​ -p选项的行为与Unix mkdir -p非常相似，它会沿着路径创建父目录。

hadoop fs -mkdir /liuermeng

2、查看指定目录下内容

hadoop fs -ls [-h] [-R] [<path> ...]

​ path 指定目录路径

​ -h 人性化显示文件size

​ -R 递归查看指定目录及其子目录

3、上传文件到HDFS指定目录下

hadoop fs -put [-f] [-p] <localsrc> ... <dst>

​ -f 覆盖目标文件（已存在下）

​ -p 保留访问和修改时间，所有权和权限。

​ localsrc 本地文件系统（客户端所在机器）

​ dst 目标文件系统（HDFS）

hadoop fs -put 1.txt /liuermeng
hadoop fs -put file:///etc/profile hdfs://node1:8020/liuermeng

4、查看HDFS文件内容

hadoop fs -cat <src> ...

读取指定文件全部内容，显示在标准输出控制台。

注意：对于大文件内容读取，慎重。

hadoop fs -cat /liuermeng/1.txt

cat filename | tail -n 10  显示文件最后10行
cat filename | head -n 10  显示文件前面10行
cat filename | tail -n +10  从10行开始显示，显示10行以后的所有行
cat filename | head -n 50 | tail -n +10  显示10行到50行
cat filename1 filename2 | grep xxx    在filename1 和 filename2中查找xxx关键字
cat aaaa*.log | grep xxx    模糊匹配aaaa开头的文件并在这些文件中查找xxx关键字
cat aaaa*.log | grep xxx   -c  模糊匹配aaaa开头的文件并在这些文件中查找xxx关键字统计出现次数

5、下载HDFS文件

hadoop fs -get [-f] [-p] <src> ... <localdst>

​ 下载文件到本地文件系统指定目录，localdst必须是目录

​ -f 覆盖目标文件（已存在下）

​ -p 保留访问和修改时间，所有权和权限。

6、拷贝HDFS文件

hadoop fs -cp [-f] <src> ... <dst>

​ -f 覆盖目标文件（已存在下）

7、追加数据到HDFS文件中

hadoop fs -appendToFile <localsrc> ... <dst>

​ 将所有给定本地文件的内容追加到给定dst文件。

​ dst如果文件不存在，将创建该文件。

​ 如果<localSrc>为-，则输入为从标准输入中读取。

8、HDFS数据移动操作

hadoop fs -mv <src> ... <dst>

​ 移动文件到指定文件夹下

​ 可以使用该命令移动数据，重命名文件的名称

命令官方指导文档

https://hadoop.apache.org/docs/r3.3.0/hadoop-project-dist/hadoop-common/FileSystemShell.html

HDFS工作流程与机制

HDFS集群角色与职责

官方架构图

主角色：namenode

• NameNode是Hadoop分布式文件系统的核心，架构中的主角色。
• NameNode维护和管理文件系统元数据，包括名称空间目录树结构、文件和块的位置信息、访问权限等信息。
• 基于此，NameNode成为了访问HDFS的唯一入口。
• NameNode内部通过内存和磁盘文件两种方式管理元数据。
• 其中磁盘上的元数据文件包括Fsimage内存元数据镜像文件和edits log（Journal）编辑日志。

从角色：datanode

• DataNode是Hadoop HDFS中的从角色，负责具体的数据块存储。
• DataNode的数量决定了HDFS集群的整体数据存储能力。通过和NameNode配合维护着数据块。

主角色辅助角色： secondarynamenode

• Secondary NameNode充当NameNode的辅助节点，但不能替代NameNode。
• 主要是帮助主角色进行元数据文件的合并动作。可以通俗的理解为主角色的“秘书”。

namenode职责

• NameNode仅存储HDFS的元数据：文件系统中所有文件的目录树，并跟踪整个集群中的文件，不存储实际数据。
• NameNode知道HDFS中任何给定文件的块列表及其位置。使用此信息NameNode知道如何从块中构建文件。
• NameNode不持久化存储每个文件中各个块所在的datanode的位置信息，这些信息会在系统启动时从DataNode重建。
• NameNode是Hadoop集群中的单点故障。
• NameNode所在机器通常会配置有大量内存（RAM）。

datanode职责

• DataNode负责最终数据块block的存储。是集群的从角色，也称为Slave。
• DataNode启动时，会将自己注册到NameNode并汇报自己负责持有的块列表。
• 当某个DataNode关闭时，不会影响数据的可用性。 NameNode将安排由其他DataNode管理的块进行副本复制。
• DataNode所在机器通常配置有大量的硬盘空间，因为实际数据存储在DataNode中。

HDFS写数据流程（上传文件）

核心概念--Pipeline管道

• Pipeline，中文翻译为管道。这是HDFS在上传文件写数据过程中采用的一种数据传输方式。
• 客户端将数据块写入第一个数据节点，第一个数据节点保存数据之后再将块复制到第二个数据节点，后者保存后将其复制到第三个数据节点。
• 为什么datanode之间采用pipeline线性传输，而不是一次给三个datanode拓扑式传输呢？
• 因为数据以管道的方式，顺序的沿着一个方向传输，这样能够充分利用每个机器的带宽，避免网络瓶颈和高延迟时的连接，最小化推送所有数据的延时。
• 在线性推送模式下，每台机器所有的出口宽带都用于以最快的速度传输数据，而不是在多个接受者之间分配宽带。

核心概念--ACK应答响应

• ACK (Acknowledge character）即是确认字符，在数据通信中，接收方发给发送方的一种传输类控制字符。表示发来的数据已确认接收无误。
• 在HDFS pipeline管道传输数据的过程中，传输的反方向会进行ACK校验，确保数据传输安全。

核心概念--默认3副本存储策略

• 默认副本存储策略是由BlockPlacementPolicyDefault指定。
• 第一块副本：优先客户端本地，否则随机
• 第二块副本：不同于第一块副本的不同机架。
• 第三块副本：第二块副本相同机架不同机器。

1、HDFS客户端创建对象实例DistributedFileSystem， 该对象中封装了与HDFS文件系统操作的相关方法。

2、调用DistributedFileSystem对象的create()方法，通过RPC请求NameNode创建文件。NameNode执行各种检查判断：目标文件是否存在、父目录是否存在、客户端是否具有创建该文件的权限。检查通过，NameNode就会为本次请求记下一条记录，返回FSDataOutputStream输出流对象给客户端用于写数据。

3、客户端通过FSDataOutputStream输出流开始写入数据。

4、客户端写入数据时，将数据分成一个个数据包（packet 默认64k）, 内部组件DataStreamer请求NameNode挑选出适合存储数据副本的一组DataNode地址，默认是3副本存储。

DataStreamer将数据包流式传输到pipeline的第一个DataNode,该DataNode存储数据包并将它发送到pipeline的第二个DataNode。同样，第二个DataNode存储数据包并且发送给第三个（也是最后一个）DataNode。

5、传输的反方向上，会通过ACK机制校验数据包传输是否成功；

6、客户端完成数据写入后，在FSDataOutputStream输出流上调用close()方法关闭。

7、DistributedFileSystem联系NameNode告知其文件写入完成，等待NameNode确认。因为namenode已经知道文件由哪些块组成（DataStream请求分配数据块），因此仅需等待最小复制块即可成功返回。

最小复制是由参数dfs.namenode.replication.min指定，默认是1。

HDFS读数据流程（下载文件）

1、HDFS客户端创建对象实例DistributedFileSystem， 调用该对象的open()方法来打开希望读取的文件。

2、DistributedFileSystem使用RPC调用namenode来确定文件中前几个块的块位置（分批次读取）信息。对于每个块，namenode返回具有该块所有副本的datanode位置地址列表，并且该地址列表是排序好的，与客户端的网络拓扑距离近的排序靠前。

3、DistributedFileSystem将FSDataInputStream输入流返回到客户端以供其读取数据。

4、客户端在FSDataInputStream输入流上调用read()方法。然后，已存储DataNode地址的InputStream连接到文件中第一个块的最近的DataNode。数据从DataNode流回客户端，结果客户端可以在流上重复调用read（）。

5、当该块结束时，FSDataInputStream将关闭与DataNode的连接，然后寻找下一个block块的最佳datanode位置。这些操作对用户来说是透明的。所以用户感觉起来它一直在读取一个连续的流。

客户端从流中读取数据时，也会根据需要询问NameNode来检索下一批数据块的DataNode位置信息。

6、一旦客户端完成读取，就对FSDataInputStream调用close()方法。