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
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] <localsrc> <dst> # -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 <src> #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 <file> #查看文件前1KB内容
hadoop fs tail [-f] <file> #查看文件最后1KB内容
4.下载文件
hadoop fs -get [-f] [-p] <src> <localdst> #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] <src> <localdst> #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 <localsrc> <dst> #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] <path> #显示文件系统容量即使用大小
hadoop fs -du -s -h <path> # -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] <src> <localdst>
8.修改指定文件副本个数
hadoop fs -setrep [-R] [-w] <rep> <path> # -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 <?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" 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"> <modelVersion>4.0.0</modelVersion> <groupId>com.dialev.hadoop</groupId> <artifactId>example-hdfs</artifactId> <version>1.0-SNAPSHOT</version> <properties> <maven.compiler.source>8</maven.compiler.source> <maven.compiler.target>8</maven.compiler.target> <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> </properties> <dependencies> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-common</artifactId> <version>3.1.4</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.1.4</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-hdfs</artifactId> <version>3.1.4</version> </dependency> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.13</version> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <version>3.1</version> <configuration> <source>1.8</source> <target>1.8</target> </configuration> </plugin> </plugins> </build> </project> =============================================================================================================== 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://<HOST>:<HTTP_PORT>/<PATH>
效果相当于hdfs://<HOST>:<RPC_PORT>/<PATH>在RESTful风格的API中，相应的HTTP URL格式:
http://<HOST>:<HTTP_PORT>/webhdfs/v1/<PATH>?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
<property>
<name>hadoop.proxyuser.root.hosts</name> # root.hosts为服务器上用户
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.root.groups</name> #root.groups同上
<value>*</value>
</property>
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
<property>
<name>hadoop.tmp.dir</name>
<value>/Hadoop/tmp</value>
</property>
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 <path> -policy <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 <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 <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
<property>
<name>dfs.datanode.data.dir</name>
<value>/Hadoop/data</value>
</property>
//修改后
<property>
<name>dfs.datanode.data.dir</name>
<value>[DISK]file:///mnt/data/datanode,[ARCHIVE]file:///mnt/data/archive</value>
</property>
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
<property>
<name>dfs.datanode.data.dir</name>
<value>[DISK]file:///mnt/data/datanode,[ARCHIVE]file:///mnt/data/archive,[RAM_DISK]file:///mnt/data/ram_disk</value>
</property>
<!-- 开启异构存储策略 -->
<property>
<name>dfs.storage.policy.enabled</name>
<value>true</value>
</property>
<property>
<!-- 开启缓存，单位字节，配置值根据ulimit -l数值*1024，该值如果过小可能存储回写入到磁盘而不是内存-->
<name>dfs.datanode.max.locked.memory</name>
<value>65536</value>
</property>
<!-- 不开启文件权限 -->
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
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 <src> <dst>
"一劳永逸" 的话，有是有的，而 "一劳永逸" 的事却极少
