wen 编程最新 2024-01-26

04HDFS简介 – touch

HDFS简介

一、什么是HDFS

HDFS全称是Hadoop Distributed File System，简称HDFS。这是一个分布式文件系统，当数据规模大小超过一台物理计算机的存储能力时，就有必要进行分区并存储到若干台物理计算机上。管理网络中跨多台计算机的文件系统称为分布式文件系统。

Hadoop的文件系统是一个抽象的概念，java的抽象类是org.apache.hadoop.fs.FileSystem，在创建一个FileSystem的时候，FileSystem使用文件系统URI的Schema作为查询配置或者SPI寻找实现类（类似JDBC）。FileSystem有很多实现，HDFS只是其中的一个实现，它的实现类是org.apache.hadoop.hdfs.DistributedFileSystem，它的URI schema为hdfs。Hadoop默认配置的文件系统实现是org.apache.hadoop.fs.LocalFileSystem，URI schema为file，用于管理本地文件。

二、HDFS的基础概念

1、数据块

块设备（例如硬盘）一般会有一个默认块大小，这是设备读写的最小单位，这类设备的块大小一般为几千字节。HDFS同样有块的概念，默认情况下HDFS的块大小为128MB。但是与硬盘的文件系统不一样，当文件小于HDFS的块大小时，不会占用整个块的空间，例如一个1MB大小的文件只占用了1MB的空间，而不是128MB。HDFS的块比硬盘的大是为了最小化寻址开销，如果块足够大，从磁盘传输数据的时间会明显大于定位这个块位置需要的时间，所以传输一个大文件的时间取决于磁盘传输速率。

使用块来管理分布式文件系统有很多好处，例如一个文件可以大于某个物理设备的容量，文件并不需要存储在一个物理设备上。另一个好处是块可以存储在多个节点上，防止某个设备因为故障而丢失数据。

2、namenode和datanode

HDFS集群有两种节点，分别是namenode和datanode。以管理节点——工作节点方式对外提供服务，即client连接namenode，一个namenode节点负责管理多个datanode。

namenode负责管理文件系统的命名空间，它维护文件系统元数据信息，例如目录和文件名称。这些信息以文件的形式永久保存在硬盘上：分别是命令空间镜像文件和编辑日志文件。namenode也记录每个文件的块所在的数据节点信息，但它并不永久保存块的位置，这些信息会在启动的时候根据数据节点的数据重建。

datanode就是文件系统的工作节点。它们根据需要存储数据块信息，并且定期向namenode发送所存储的块列表。HDFS通过把数据块冗余到多个datanode实现数据的安全性，默认副本数量为3。

namenode对外提供服务的时候需要把所有的文件元数据加载到内存，重启的时候会利用镜像文件和编辑日志重建数据，镜像文件类似于Redis的rdb文件。namenode会周期性归档编辑日志来生成一个更加新的镜像文件，由于归档编辑日志的时候namenode也会对外提供服务，这段时间的操作会写入到编辑日志中，所以namenode需要镜像文件和编辑日志一起重建文件元数据。一个大规模的HDFS的恢复是非常消耗时间的（取决于所管理的数据规模），由于namenode是管理节点，没有namenode整个文件系统将无法使用，所以相对datanode，namenode的高可用非常重要。本节主要为对HDFS简单介绍，故先不讨论HDFS的高可用方案。

3、联邦HDFS

由于namenode在内存中维护系统内文件和数据块的关系，很明显namenode运行机器的内存会限制整个集群能存储的文件数量。Hadoop在2.x版本引入的联邦namenode，在联邦环境下，每个namenode管理一个命名空间的一部分。例如一个namenode管理/a目录下的所有文件，另一个namenode管理/b目录下的所有文件。在联邦环境下，每个namenode是独立的，其中一个namenode失效了也不会影响其他namenode。

三、hadoop命令行

Hadoop命令行的fs参数提供了一些方便访问文件系统的操作，所有的参数和格式可以在官网文档FileSystemShell中查询到，这里简单列举一些常用的操作。

-cat：读取文件，并且输出到标准输出

格式：hadoop fs -cat [-ignoreCrc] URI [URI …]

例如：

打印本地文件系统下的text.txt内容
```
hadoop fs -cat file:///D:/test.txt
```

打印hdfs上根目录下的a.txt内容

hadoop fs -cat hdfs://192.168.73.130:8082/a.txt

-ls：列出路径下的文件内容

格式：hadoop fs -ls URI

例如：

列出hdfs上根目录的文件内容

hadoop fs -ls hdfs://192.168.73.130:8082/

输出每一列含义为：权限，副本数，所属用户，所属用户组，文件大小，修改时间，文件名。权限字段由有7个标识位，第一个标识位含义是文件类型，如果是目录则为d，然后紧跟的6个标识位表示所属用户、所属用户组、其他用户的是否可读、可写、可执行，可执行权限可以忽略，因为不能在HDFS中执行。第二列为副本数，目录的元数据保存在namenode上，所以没有副本数。

示例输入如下：

hadoop fs -ls hdfs://192.168.73.130:8082/
Found 2 items
-rw-r--r--   3 debian supergroup  19481 2023-01-25 15:30 hdfs://192.168.73.130:8082/a.txt
drwxr-xr-x   - debian supergroup      0 2023-01-28 09:08 hdfs://192.168.73.130:8082/test

-copyFromLocal：复制本地文件到HDFS

格式：hadoop fs -copyFromLocal localsrc URI

例如：

把本地的文件a.txt复制到HDFS的/testDir/a.txt上

hadoop fs -copyFromLocal a.txt hdfs://192.168.73.130:8082/testDir/a.txt

-copyToLocal：复制HDFS文件到本地

格式：hadoop fs -copyToLocal URI localsrc

例如：

把HDFS的/testDir/a.txt复制到本地

hadoop fs -copyToLocal hdfs://localhost:8082/testDir/a.txt a.txt

四、FileSystem常用api

1、文件的读取

使用方法FileSystem#open()可以打开一个FSDataInputStream输入流，然后可以像读取本地文件一样文件中的数据。但是与一般的输入流不一样，FSDataInputStream实现了Seekable和接口PositionedReadable，它们分别支持随机读取和指定位置读取。

Seekable的声明如下：

public interface Seekable {
  /**
   * 设置下一次读取的时，使用的偏移量
   */
  void seek(long pos) throws IOException;
  
  /**
   * 返回当前读取偏移量
   */
  long getPos() throws IOException;
}

getPos返回当前读取偏移量，seek设置下一次read的偏移量，偏移量是当前距离文件起始位置的字节数。例如可以用如下代码重复读取文件开头的2048个字节；

FSDataInputStream in = .....;
byte[] buff = new buff[2048];
in.read(buff);
in.seek(0);
in.read(buff);

seek使用起来很方便，但是是一个相对高开销的操作，需要慎重使用。

PositionedReadable的声明如下：

public interface PositionedReadable {
  /**
   * 从position指定的位置开始读取length个长度的数据，复制到buffer的offset处，返回实际读取到的字节数
   */
  int read(long position, byte[] buffer, int offset, int length)
    throws IOException;
  
  /**
   * 从position指定的位置开始读取length个长度的数据，复制到buffer的offset处
   * 如果到达文件结尾抛出EOFException
   */
  void readFully(long position, byte[] buffer, int offset, int length) throws IOException;
  
   /**
   * 从position指定的位置开始读取buffer.length个长度的数据，复制到buffer的offset处
   * 如果到达文件结尾抛出EOFException
   */
  void readFully(long position, byte[] buffer) throws IOException;
}

read函数把指定偏移量数据读取到buffer中，但是实际读取的字节数需要调用者接受返回值进行判断。readFully效果也类似，但是如果到达文件结尾会抛出EOFException。PositionedReadable所有的方法都不会改变当前流读取文件的位置，同时它的方法也都是线程安全的。

2、文件的写入

传入一个Path对象，然后使用FileSystem#create可以创建一个新文件，并且返回一个FSDataOutputStream对象。与java其他的api不一样，调用create方法会自动创建父级目录。

使用FileSystem#append()可以向一个已存在的文件尾追加内容，需要说明的是这个方法是一个可选的实现，并不是每一个文件系统都正常此方法。

3、目录创建

调用FileSystem#mkdirs()方法可以新建一个目录，通常创建文件不需要显示调用此方法，因为创建文件会自动创建对应的父级目录。

4、文件的删除

调用FileSystem#delete()可以删除一个文件或者目录。

5、文件元数据信息

使用FileSystem#getFileStatus方法可以返回一个FileStatus对象来获取文件或者目录的的状态信息，例如是否为目录、权限、文件长度等数据。

FileSystem#listStatus可以列出目录下所有的文件信息。listStatus有多个重载方法，可以额外传入一个org.apache.hadoop.fs.PathFilter用来过滤目录的文件。

6、HDFS的一致性模型

对于创建一个目录，HDFS可以保证操作是立即可见的。但是对于写入数据并不能保证其可见性。例如对于以下一段Java程序代码：

OutputStream out = ...;
out.write(buff);
out.flush();

如果是操作本地文件，调用flush方法，会把缓冲区数据刷新到硬盘上，保证其可见性。然而对于HDFS，即使调用了flush方法也不能保证可见性，需要等到数据超过一个块之后才能对其他读取进程可见。但是HDFS的实现提供了两个方法用于保证可见性，分别是FSDataOutputStream#hflush和FSDataOutputStream#hsync，hsync和操作系统的sync方法类似，保证数据已经存储在datanode的硬盘上，而hflush仅仅保证数据写入到datanode的内存。调用close关闭流会自动调用一次hflush。

五、demo程序

我使用FileSystem常用api实现了一个客户端demo，代码地址在github 的hdfsApiExample模块，打包此模块可以得到一个hdfs-api-example-1.0-SNAPSHOT.jar的文件，它的使用方法如下：

参数：

fs：指定hdfs的namenode地址，假设你有一个namenode地址是hdfs://192.168.73.130:8082
u：操作hdfs的用户，根据hdfs配置情况，写入的时候可能需要这个参数
o：实际需要执行的命令，分别支持ls（查询目录文件），rm（删除），mkdir（创建目录），cp（复制文件）

示例：

列出hdfs上，根目录的文件

hadoop jar hdfs-api-example-1.0-SNAPSHOT.jar -fs hdfs://192.168.73.130:8082 -u debian -o ls /

删除hdfs上，/cnblog目录。使用额外的r参数递归删除非空目录

hadoop jar hdfs-api-example-1.0-SNAPSHOT.jar -fs hdfs://192.168.73.130:8082 -u debian -o rm r /cnblog

hadoop jar hdfs-api-example-1.0-SNAPSHOT.jar -fs hdfs://192.168.73.130:8082 -u debian -o mkdir /cnblog

复制本地文件test.txt到hdfs的根目录上

hadoop jar hdfs-api-example-1.0-SNAPSHOT.jar -fs hdfs://192.168.73.130:8082 -u debian -o cp text.txt hdfs:/test.text

复制hdfs的根目录文件text.txt到本地目录上

hadoop jar hdfs-api-example-1.0-SNAPSHOT.jar -fs hdfs://192.168.73.130:8082 -u debian -o cp hdfs:/test.text text.txt

hmoban主题是根据ripro二开的主题，极致后台体验，无插件，集成会员系统
自学咖网 » 04HDFS简介 – touch

wen 普通

分享到：