Hadoop数据存储及管理

标签：hdfs 存储 fs HDFS data Hadoop hadoop 数据

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　

四、HDFS Shell CLI使用

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>

7.3 查看当前存储类型

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>
    

　　

标签：hdfs,存储,fs,HDFS,data,Hadoop,hadoop,数据
From： https://www.cnblogs.com/panwenbin-logs/p/17130603.html