Hadoop(四)HDFS集群详解

时间:2023-10-02 20:26:32

前言

  前面几篇简单介绍了什么是大数据和Hadoop,也说了怎么搭建最简单的伪分布式和全分布式的hadoop集群。接下来这篇我详细的分享一下HDFS。

  HDFS前言:

    设计思想:(分而治之)将大文件、大批量文件,分布式存放在大量服务器上,以便于采取分而治之的方式对海量数据进行运算分析。

    在大数据系统中作用:为各类分布式运算框架(如:mapreduce,spark,tez,……)提供数据存储服务。

  分布式文件系统:

    问题引发:海量数据超过了单台物理计算机的存储能力

    解决方案:对数据分区存储与若干台物理主机中

    分布式文件系统应运而生:

            1)管理网络中跨多台计算机存储的文件系统

            2)HDFS就是这样的一个分布式文件系统

一、HDFS概述

1.1、HDFS概述

  1)HDFS集群分为两大角色:NameNode、DataNode
  2)NameNode负责管理整个文件系统的元数据
  3)DataNode负责管理用户的文件数据块
  4)文件会按照固定的大小(blocksize)切成若干块后分布式存储在若干台datanode上
  5)每一个文件块可以有多个副本,并存放在不同的datanode上 
  6)DataNode会定期向NameNode汇报自身保存的block信息,而namenode则会负责保持文件的副本数量
  7)HDFS的内部工作机制对客户端保持透明,客户端请求访问HDFS都是通过namenode申请来进行

1.2、HDFS的概念和特性

  1)HDFS的概念  

     HDFS采用了主从式(Master/Slave)的体系结构,其中NameNode(NN),DataNode(DN)和Client是HDFS中的3个重要角色。HDFS也在社区的努力下不断演进,包括支持文件追加,Federation,HA的引入等。

    在一个HDFS中,有一个NN,一个SNN(Secondary NameNode)和众多的DN,在大型的集群中可能会有数以千计的DN。而Client,一般意义上比数据节点的个数还要多。  

    NN管理了HDFS两个最重要的关系:
      1)目录文件树结构和文件与数据块的对应关系:会持久化到物理存储中,文件名叫做fsimage。
      2)DN与数据块的对应关系,即数据块存储在哪些DN中:在DN启动时会上报到NN它所维护的数据块。这个是动态建立的,不会持久化。因此,集群的启动可能需要比较长的时间。
    而DN则保存了数据块。并且执行NN的命令,比如复制,拷贝,删除等操作。Client则是使用HDFS的主题,包括写文件,读文件等常见操作。

    总的来说:HDFS是一个文件系统,用于存储文件,通过统一的命名空间——目录树来定位文件。其次,它是分布式的,由很多服务器联合起来实现其功能,集群中的服务器有各自的角色。

  2)HDFS的特性

    2.1)HDFS中的文件在物理上是分块存储(Block),块的大小可以通过配置参数(dfs.blocksize)来规定 默认大小在hadoop2.x版本中是128M,老版本中的64M 
    2.2)HDFS文件系统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 
    2.3)目录结构及文件分块信息(元数据)的管理由namenode节点承担 namenode是HDFS集群主节点,负责维护整个HDFS文件系统的目录树以及每一个路径(文件)对应的block块信息(block的id,以及所在的datanode服务器)   
    2.4)文件的各个block的存储管理由datanode节点承担 datanode是HDFS集群从节点,每一个block都可以在多个datanode上存储多个副本(副本参数也可以通过参数设置dfs.replication)  
    2.5)HDFS适应一次写入,多次读出的场景,且不支持文件的修改。

    注意:适合用来做数据分析,并不适合用来做网盘应用(因为不方便进行修改,延迟大,网络开销大,成本太高)    

  3)我们通过一张图来解释

    通过上面的描述我们知道,hdfs很多特点:

      保存多个副本,且提供容错机制,副本丢失或宕机自动恢复(默认存3份)。

      运行在廉价的机器上

      适合大数据的处理。HDFS默认会将文件分割成block,,在hadoop2.x以上版本默认128M为1个block。然后将block按键值对存储在HDFS上,并将键值对的映射存到内存中。如果小文件太多,那内存的负担会很重。

    Hadoop(四)HDFS集群详解   

    如上图所示,HDFS也是按照Master和Slave的结构。分NameNode、SecondaryNameNode、DataNode这几个角色。
    NameNode:是Master节点,是大领导。管理数据块映射;处理客户端的读写请求;配置副本策略;管理HDFS的名称空间;
    SecondaryNameNode:是一个小弟,分担大哥namenode的工作量;是NameNode的冷备份;合并fsimage和fsedits然后再发给namenode。
    DataNode:Slave节点,奴隶,干活的。负责存储client发来的数据块block;执行数据块的读写操作。
    热备份:b是a的热备份,如果a坏掉。那么b马上运行代替a的工作。
    冷备份:b是a的冷备份,如果a坏掉。那么b不能马上代替a工作。但是b上存储a的一些信息,减少a坏掉之后的损失。
    fsimage:元数据镜像文件(文件系统的目录树。)
    edits:元数据的操作日志(针对文件系统做的修改操作记录)
    namenode内存中存储的是=fsimage+edits。
    SecondaryNameNode负责定时默认1小时,从namenode上,获取fsimage和edits来进行合并,然后再发送给namenode。减少namenode的工作量。

1.3、HDFS的局限性

  1)低延时数据访问。在用户交互性的应用中,应用需要在ms或者几个s的时间内得到响应。由于HDFS为高吞吐率做了设计,也因此牺牲了快速响应。对于低延时的应用,可以考虑使用HBase或者Cassandra。
  2)大量的小文件。标准的HDFS数据块的大小是64M,存储小文件并不会浪费实际的存储空间,但是无疑会增加了在NameNode上的元数据,大量的小文件会影响整个集群的性能。

    前面我们知道,Btrfs为小文件做了优化-inline file,对于小文件有很好的空间优化和访问时间优化。
  3)多用户写入,修改文件。HDFS的文件只能有一个写入者,而且写操作只能在文件结尾以追加的方式进行。它不支持多个写入者,也不支持在文件写入后,对文件的任意位置的修改。
    但是在大数据领域,分析的是已经存在的数据,这些数据一旦产生就不会修改,因此,HDFS的这些特性和设计局限也就很容易理解了。HDFS为大数据领域的数据分析,提供了非常重要而且十分基础的文件存储功能。

1.4、HDFS保证可靠性的措施

  1)冗余备份

    每个文件存储成一系列数据块(Block)。为了容错,文件的所有数据块都会有副本(副本数量即复制因子,课配置)(dfs.replication)

  2)副本存放

    采用机架感知(Rak-aware)的策略来改进数据的可靠性、高可用和网络带宽的利用率

  3)心跳检测

    NameNode周期性地从集群中的每一个DataNode接受心跳包和块报告,收到心跳包说明该DataNode工作正常

  4)安全模式

    系统启动时,NameNode会进入一个安全模式。此时不会出现数据块的写操作。

  5)数据完整性检测

    HDFS客户端软件实现了对HDFS文件内容的校验和(Checksum)检查(dfs.bytes-per-checksum)。 

二、HDFS基本概念

2.1、HDFS主从结构体系

  Hadoop(四)HDFS集群详解

2.2、数据块(DataBlock)

  HDFS将每个文件存储成一系列的数据块,所有的数据块都是同样的大小。(在配置文件中配置每个数据块的大小,最后一块不一定大小一样)

  文件中所有的数据块都会有副本,每个文件的数据块大小和副本系数都是可配置的。

  HDFS中的文件都是一次写入的,并且严格要求在任何时候只能有一个写入者。 

  我们可以查看到通过:hdfs  fsck / -file -bloks  -locations

  HDFS的配置参数:dfs.replication、dfs.blocksize

  Hadoop(四)HDFS集群详解Hadoop(四)HDFS集群详解

2.3、名字节点(主节点:NameNode)

  1)概述

    -NN是HDFS主从结构中主节点上运行的主要进程,它负责管理从节点DN。NN维护着整个文件系统的文件目录树,文件目录的元信息和文件的数据块索引。

         这些信息以两种信息保存在本文文件系统中,一种是文件系统镜像(文件名字fsimage),另一种是fsimage的编辑日志(文件名字edits)。

    -fsimage中保存着某一特定时刻HDFS的目录树、元信息和文件数据块的索引等信息,后续的对这些信息的改动,则保存在编辑日志中,它们一起提供了一个完整的NN的第一关系。

    -通过NN,Client还可以了解到数据块所在的DN的信息。需要注意的是,NN中关于DN的信息是不会保存到NN的本地文件系统的,也就是上面提到的fsimage和edits中。

      NN每次启动时,都会通过每个DN的上报来动态的建立这些信息。这些信息也就构成了NN第二关系。

    -NN还能通过DN获取HDFS整体运行状态的一些信息,比如系统的可用空间,已经使用的空间,各个DN的当前状态等。

  2)作用

  维护着文件系统数中所有文件和目录的元数据

  协调客户端对文件的访问

    Hadoop(四)HDFS集群详解

2.4、数据节点(从节点:DataNode)

  1)概述

     DN是HDFS中硬盘IO最忙碌的部分:将HDFS的数据块写到Linux本地文件系统中,或者从这些数据块中读取数据。DN作为从节点,会不断的向NN发送心跳。

    初始化时,每个DN将当前节点的数据块上报给NN。NN也会接收来自NN的指令,比如创建、移动或者删除本地的数据块,并且将本地的更新上报给NN。

  2)作用

    接受客户端或NameNode的调度

    存储和检索数据块

    在NameNode的统一调度下进行数据块的创建、删除和复制

    定期向NameNode发送自身存储的数据块列表

2.5、SecondaryNameNode

  1)定期合并edits和fsImage(如果没有配置SecondaryNameNode由NameNode自己完成)

     Secondary NameNode是用于定期合并fsimage和edits的。与NN一样,每个集群都有一个SNN,在大规模部署的条件下,一般SNN也独自占用一台服务器。

    SNN按照集群配置的时间建个,不停的获取HDFS某一个时间点的fsimage和edits,合并它们得到一个新的fsimage。该fsimage上传到NN后会替换NN的老的fsimage。

  2)防止edits日志文件过大

    从上面可以看出,SNN会配合NN,为NN的第一关系提供了一个简单的CheckPoint机制,并避免出现edits过大,导致NN启动时间过长的问题。

  3)提供那个NameNode的fsImage文件的检查点,以实现NameNode故障恢复

    Hadoop(四)HDFS集群详解

2.6、总结NameNode和DataNode

  -HDFS集群有两种节点类型,Namenodes和Datanodes,它们工作于master-worker模式。一个namenode是master,一组datanodes是workers。namenode管理整个文件系统的namespace。
     它维护一棵文件树和所有文件/目录的元信息。这些信息在namenode的本地磁盘上存成两个文件,一个是该namespace的镜像,另一个是编辑日志(edit log)。
     namenode也知道每个文件的每个块都存在哪个datanode上了,但这个信息不会被持久化下来,因为每次启动时,这个信息会被重新生成。
  -客户端程序通过访问namenode和datanodes来访问HDFS文件系统。但是用户代码根本不知道namenode和datanodes的存在,就像访问POSIX一样(Portable Operating System Interface:便携计算机系统接口)。
     Datanodes是干苦力活的。当被客户端或namenode命令时,它存储和检索文件块(blocks)。它还会定期向namenode汇报它们存储的文件块列表。
  -没有namenode,整个文件系统就没法用了。如果把namenode移除,整个文件系统里的文件就都丢失了,因为没办法知道如何重新组装存在各个datanodes里的文件块。
     因此有必要保证namenode足够可靠,Hadoop提供了两种机制保证namenode里的数据安全。
  -第一个机制是备份namenode上的持久化信息。可以配置hadoop,让namenode写持久化信息时写到多个地方,并且这些写操作是串行的并且是原子操作。通常的做法是写到本地磁盘一份,同时写到远程NFS上。
  -另一个机制是配一个secondary namenode。虽然名字上叫namenode,但secondary namenode根本不做namenode的工作,它就是定期把namenode上的namespace镜像和编辑日志(edit log)合并到自己身上,以避免编辑日志过大。
     secondary namenode通常是一台单独的机器,因为合并工作需要大量的CPU和内存资源。因为它的状态迟于namenode,所以,当namenode发生事故时,肯定是会有数据丢失的。
     通常的做法是把namenode在NFS上的metadata文件拷贝到secondary namenode,然后启动这个secondary namenode,让它成为namenode。

四、单点故障(单点失效)问题

4.1、单点故障问题

  如果NameNode失效,那么客户端或MapReduce作业均无法读写查看文件

4.2、解决方案

  1)启动一个拥有文件系统元数据的新NameNode(这个一般不采用,因为复制元数据非常耗时间)

  2)配置一对活动-备用(Active-Sandby)NameNode,活动NameNode失效时,备用NameNode立即接管,用户不会有明显中断感觉。

    共享编辑日志文件(借助NFS、zookeeper等)

    DataNode同时向两个NameNode汇报数据块信息

    客户端采用特定机制处理 NameNode失效问题,该机制对用户透明

五、细说HDFS高可用性(HA:High-Availability)

1)前面在(2. Namenodes和Datanodes)提到的通过备份namenode上的持久化信息,或者通过secondary namenode的方式,只能解决数据不丢失,但是不能提供HA(高可用性),

  namenode仍然是“单点失败”(SPOF:single point of failure)。如果namenode死掉了,所有的客户端都不能访问HDFS文件系统里的文件了,不能读写也不能列出文件列表。

2)新的namenode必须做下面三件事才能再次提供服务:
  i) 加载namespace镜像
  ii) 重做编辑日志(edit log)里的操作
  iii) 接收所有datanodes上的文件块信息汇报,退出安全模式
  对于一个大型集群来讲,一次这样的冷启动可能要花费30分钟的时间。
  在Hadoop 2.x版本中引入了active-standby模式的一对namenodes。当灾难发生时,standby的机器会取代active的机器,成为新的namenode。为了实现这样的结构,需要新的架构:
    - 两个namenodes之间要有一块共享的存储空间,以便共享编辑日志(edit log)。早期实现需要一个高可用的NFS,在后来的版本中有更多的选择,例如可以使用ZooKeeper解决方案。
    - 另外,因为文件块的映射关系是存在内存里的,不是存在磁盘上的,因此datanodes必须向两个namenodes同时汇报自己的存储情况。
    - 客户端需要配置成能够自动处理namenode失败的情况,对使用者透明。
3)当active namenode死掉了,standby namenode替换上去的时间很快,也就是几十秒的样子。因为standby namenode上有最新的文件块映射信息和最新的编辑日志(edit log),一切都是时刻准备着的。
    但是确定active namenode是不是真的死了是个大麻烦,会花费更长时间(大概一分钟左右)。
4)如果active namenode和standby namenode都死了怎么办?没关系,就花30分钟冷启动一下就好了,跟没有active-standby一样,不会更坏。因此,active-standby是一个改进性的优化,不会带来副作用。
5)判断active是不是还活着,其实就是用心跳请求的方式的。但是,管理员还有另外一个工具可以在active还活着的情况下,优雅地切换到standby上,让standby成为新的active,
  这在定期维护的情况下非常有用。这种切换之所以被称为“优雅失败”(graceful failover),因为两个namenodes会按顺序切换角色,一个成为active,一个变成standby。
6)在不优雅的切换中,就是active死掉了,不得已换成了standby来服务,这时,原来的active不一定真的死了,可能是网络慢啊或者什么原因,导致它后来又能提供服务了,
  最麻烦的是它自己不知道自己曾经死了,它要是再冒出来服务就麻烦了,因此,有一系列的动作会阻止它再次加入系统,比如杀掉进程啊,关闭端口啊什么的,最后一招就是STONITH(暴头:shoot the other node in the head)。
7)所有这些都是对客户端透明的。客户端配置namenode时是把一个hostname映射到两个IP上的,然后分别试两个IP,哪个通就用哪个。

六、HDFS的shell(命令行客户端)操作

  注意在Hadoop2.0之前是使用的hadoop命令,那时候的HDFS集群叫做hadoop集群,但是hadoop2.0之后。使用的是hdfs命令,hadoop集群也分为了HDFS集群和Yarn集群!

6.1、HDFS的shell操作

  1)查看命令帮助:hdfs -help
    Hadoop(四)HDFS集群详解

  2)运行一个文件系统命令在Hadoop集群支持的文件系统中

    Hadoop(四)HDFS集群详解

6.2、HDFS  DFS命令详解  

1)、准备工作

  检查需要处理的数据(假定数据已经存放在hdfs的/user/hadoop⽬录下)
    $> hadoop fs -ls /user/hadoop
  看到测试数据⽬录weather_test,完整数据⽬录weather,专利数据⽬录patent即可,若没有则请从服务器下载并上传⾃⼰的⽬录下

2)、文件操作

  1)建⽴⽬录(在hdfs的/user/xxx⽬录下操作)
    $> hdfs dfs -mkdir input

    Hadoop(四)HDFS集群详解

  2)查看⽂件或⽬录
    $> hdfs dfs -ls

    Hadoop(四)HDFS集群详解

  3)⽂件上传(将本地⽂件local_file上传到hdfs的/user/xxx⽬录下)
    $> hdfs dfs -put local_file input
  4)下载⽂件或⽬录到本地当前⽬录下
    $> hdfs dfs -get input .
  5)浏览hdfs中的⽂件
    $> hdfs dfs -cat input/local_file
  6)删除⽂件或者⽬录
    $> hdfs dfs -rm input/local_file
  7)在hdfs中复制⽂件或⽬录
    $> hdfs dfs -cp input/local_file input/local_file.bak

  8)修改权限

    Hadoop(四)HDFS集群详解

  9)查看命令帮助
    $> hdfs dfs -help [cmd]

6.3、HDFS管理命令

  1)系统⽬录检查
    $> hdfs fsck /user/xxx系统⽬录详细检测
    $> hdfs fsck /user/xxx -files -blocks -locations -racks
  2)检测DataNode报告
    $> hdfs dfsadmin -report
  3)权限管理
    $> hdfs fs -chmod 666 /user/xxx
  4)hdfs空间⽬录配额设置
    $> hdfs dfsadmin -setSpaceQuota [N] /user/xxx
  5)hdfs空间⽬录配额清除
    $> hdfs dfsadmin -clrSpaceQuota /user/xxx
  6)查看⽬录配额设置
    $> hdfs fs -count -q /user/xxx
  7)删除DataNode
    $> hdfs dfsadmin -refreshNodes

总结:

  注意HDFS中的文件系统也是和linux文件系统一样的。既然是文件系统也有根目录和家目录,在HDFS中“/”代表的就是根目录,而“/user”等于linux中的“/usr”下一级目录代表的就是用户了。

  但是HDFS没有这个用户,所以就有了虚拟用户,也就是你当前HDFS的Linux系统当前用户就会默认为它的虚拟用户。当我们有一个zyh用户时,所以你就可以创建一个/user/zyh/下面的目录,就代表着家目录。

喜欢就点个“推荐”哦!