大数据之Hadoop中HDFS的故障排除

NameNode故障处理

1）需求

NameNode进程挂了并且存储的数据也丢失了

2）故障模拟

（1）kill -9 NameNode进程

kill -9 19886

（2）删除NameNode储存的数据

rm -rf /opt/module/hadoop-3.1.3/data/dfs/name/*

3）问题解决 原文：sw-code

（1）拷贝SecondaryNameNode中的数据到原NameNode存储数据目录

[hadoop@hadoop102 dfs]$ scp -r hadoop@hadoop104:/opt/module/hadoop-3.1.3/data/dfs/namesecondary/* ./name/

（2）重新启动NameNode

[hadoop@hadoop102 dfs]$ hdfs --daemon start namenode

（3）向集群上传一个文件

注意：生产环境一般是NameNode的高可用，即配置多个NameNode来处理此类情况

集群安全模式&磁盘修复

1）安全模式：文件系统只接受读数据请求，而不接受删除、修改等变更请求

2）进入安全模式场景

• NameNode在加载镜像文件和编辑日志期间处于安全模式。
• NameNode在接收DataNode注册时，处于安全模式。

3）退出安全模式条件

dfs.namenode.safemode.min.datanodes：最小可用的datanode数量大于0，默认0。

dfs.namenode.safemode.threshold-pct：副本达到最小要求的block占系统总block的百分比，默认0.999f。（只允许丢一个块）

dfs.namenode.safemode.extension：稳定时间，默认值3000ms，即30s。

4）基本语法

集群处于安全模式，不能执行重要操作（写操作），集群启动完成后，自动退出安全模式。

bin/hdfs dfsadmin -safemode get
bin/hdfs dfsadmin -safemode enter
bin/hdfs dfsadmin -safemode leave
bin/hdfs dfsadmin -safemode wait

慢磁盘监控

找出哪块磁盘慢的方法如下

1）通过心跳未联系时间

一般出现慢磁盘现象，会影响到DataNode与NameNode之间的心跳，正常情况下心跳时间间隔是3s。超过2s说明有异常。

2）fio命令，测试磁盘的读写性能

使用该命令安装测试工具

sudo yum install -y fio

（1）顺序读测试

[hadoop@hadoop102 hadoop-3.1.3]$ sudo fio -filename=/home/hadoop/test.log -direct=1 -iodepth 1 -thread -rw=read -ioengine=psync -bs=16k -size=2G -numjobs=10 -runtime=60 -group_reporting -name=test_r

Run status group 0 (all jobs):
   READ: bw=106MiB/s (111MB/s), 106MiB/s-106MiB/s (111MB/s-111MB/s), io=6334MiB (6642MB), run=60003-60003msec

注意更改路径：-filename=/home/your username/test.log

（2）顺序写测试

[hadoop@hadoop102 hadoop-3.1.3]$ sudo fio -filename=/home/hadoop/test.log -direct=1 -iodepth 1 -thread -rw=write -ioengine=psync -bs=16k -size=2G -numjobs=10 -runtime=60 -group_reporting -name=test_w

Run status group 0 (all jobs):
  WRITE: bw=106MiB/s (111MB/s), 106MiB/s-106MiB/s (111MB/s-111MB/s), io=6351MiB (6660MB), run=60002-60002msec

（3）随机写测试

[hadoop@hadoop102 hadoop-3.1.3]$ sudo fio -filename=/home/hadoop/test.log -direct=1 -iodepth 1 -thread -rw=randwrite -ioengine=psync -bs=16k -size=2G -numjobs=10 -runtime=60 -group_reporting -name=test_randw

Run status group 0 (all jobs):
  WRITE: bw=93.1MiB/s (97.6MB/s), 93.1MiB/s-93.1MiB/s (97.6MB/s-97.6MB/s), io=5584MiB (5855MB), run=60004-60004msec

（3）混合随机读写测试

[hadoop@hadoop102 hadoop-3.1.3]$ sudo fio -filename=/home/hadoop/test.log -direct=1 -iodepth 1 -thread -rw=randrw -ioengine=psync -bs=16k -size=2G -numjobs=10 -runtime=60 -group_reporting -name=test_r_w -ioscheduler=noop

Run status group 0 (all jobs):
   READ: bw=44.9MiB/s (47.1MB/s), 44.9MiB/s-44.9MiB/s (47.1MB/s-47.1MB/s), io=2697MiB (2828MB), run=60002-60002msec
  WRITE: bw=44.0MiB/s (47.2MB/s), 44.0MiB/s-44.0MiB/s (47.2MB/s-47.2MB/s), io=2700MiB (2831MB), run=60002-60002msec

小文件归档

1）HDFS存储小文件弊端：100个1K文件块和100个128M的文件块，占用NN内存大小一样

每个文件按块存储，每个块的元数据存储在NameNode的内存中，因此HDFS存储小文件会非常低效。因为大量的小文件会耗尽NameNode中的大部分内存。但注意，存储小文件所需的磁盘容量和数据块大小无关。例如，一个1MB的文件设置未128MB的块存储，实际使用的是1MB的磁盘空间，而不是128MB。

2）解决存储小文件办法之一

HDFS存档文件或HAR文件，是一个更高效的文件存档工具，它将文件存入HDFS块，在减少NameNode内存使用的同时，允许堆文件进行透明访问。具体说来，HDFS存档文件对内还是一个独立文件，对NameNode而言却是一个整体，减少了NameNode的内存。

3）实操案例

（1）需要启动YARN进程

start-yarn.sh

（2）归档文件

把/input目录里面的所有文件归档成一个叫input.har的归档文件，并把归档后的文件存储到/output目录下

hadoop archive -archiveName input.har -p /input /output

（3）查看归档

hadoop fs -ls har:///output/input.har

（4）拷贝文件

hadoop fs -cp har:///output/input.har/test.txt /