最通熟易懂的Hadoop HDFS实践攻略

• HDFS是用来解决什么问题？怎么解决的？
• 如何在命令行下操作HDFS？
• 如何使用Java API来操作HDFS？
• 在了解基本思路和操作方法后，进一步深究HDFS具体的读写数据流程

学习并实践本文教程后，可以对HDFS有比较清晰的认识，并可以进行熟练操作，为后续学习Hadoop体系打好基础。

目录：

理论部分

1. HDFS 基本原理
2. 文件读取、写入机制
3. 元数据管理思路

实践部分

1. 安装实践环境
2. Shell 命令行操作方式
3. Java API操作方式

一、HDFS基本原理

HDFS（Hadoop Distribute File System）是一个分布式文件系统，是Hadoop的重要成员。

1、文件系统的问题

文件系统是操作系统提供的磁盘空间管理服务，只需要我们制定把文件放到哪儿，从哪个路径读取文件就可以了，不用关心文件在磁盘上是如何存放的。

当文件所需空间大于本机磁盘空间时，如何处理呢？

一是加磁盘，但是加到一定程度就有限制了；二是加机器，用远程共享目录的方式提供网络化的存储，这种方式可以理解为分布式文件系统的雏形，可以把不同文件放入不同的机器中，空间不足了可继续加机器，突破了存储空间的限制。但这个方式有多个问题：

• 单机负载可能极高例如某个文件是热门，很多用户经常读取这个文件，就使得次文件所在机器的访问压力极高。

• 数据不安全如果某个文件所在的机器出现故障，这个文件就不能访问了，可靠性很差。

• 文件整理困难例如想把一些文件的存储位置进行调整，就需要看目标机器的空间是否够用，并且需要自己维护文件位置，如果机器非常多，操作就极为复杂。

2、HDFS的解决思路

HDFS是个抽象层，底层依赖很多独立的服务器，对外提供统一的文件管理功能，对于用户来讲，感觉就像在操作一台机器，感受不到HDFS下面的多台服务器。

例如用户访问HDFS中的/a/b/c.mpg这个文件，HDFS负责从底层相应服务器中读取，然后返回给用户，这样用户只需和HDFS打交道，不关心这个文件是怎么存储的。

例如用户需要保存一个文件/a/b/xxx.avi。

HDFS首先会把这个文件进行分割，例如分为4块，然后分别放到不同服务器上。

这样做有个好处，不怕文件太大，并且读文件的压力不会全部集中在一台服务器上。但如果某台服务器坏了，文件就读不全了。

HDFS为保证文件可靠性，会把每个文件块进行多个备份：

• 块1：A B C
• 块2：A B D
• 块3：B C D
• 块4：A C D

这样文件的可靠性就大大增强了，即使某个服务器坏了，也可以完整读取文件。

同时还带来一个很大的好处，就是增加了文件的并发访问能力，比如多个用户读取这个文件时，都要读块1，HDFS可以根据服务器的繁忙程度，选择从那台服务器读块1。

3、元数据的管理

HDFS中存了哪些文件？

文件被分成了哪些块？

每个块被放在哪台服务器上？

……

这些都叫做元数据，这些元数据被抽象为一个目录树，记录了这些复杂的对应关系。这些元数据由一个单独的模块进行管理，这个模块叫做NameNode。存放文件块的真实服务器叫做DataNode，所以用户访问HDFS的过程可以理解为：

用户-> HDFS -> NameNode -> DataNode

4、HDFS优点

• 容量可以线性扩展
• 有副本机制，存储可靠性高，吞吐量增大
• 有了NameNode后，用户访问文件只需指定HDFS上的路径

二、HDFS实践

经过上面介绍，可以对HDFS有个基本的了解，下面开始进行实际操作，在实践中更好的认识HDFS。

1、安装实践环境

您可以选择自己搭建环境，也可以使用打包好的Hadoop环境（版本2.7.3）

这个Hadoop环境实际上是一个虚机镜像，所以需要安装virtualbox虚拟机、vagrant镜像管理工具，和我的Hadoop镜像，然后用这个镜像启动虚机就可以了，下面是具体操作步骤：

1）安装virtualbox

下载地址：https://www.virtualbox.org/wiki/Downloads

2）安装vagrant

因为官网下载较慢，我上传到了云盘

Windows版

链接: https://pan.baidu.com/s/1pKKQGHl

密码: eykr

Mac版

链接: https://pan.baidu.com/s/1slts9yt

密码: aig4

安装完成后，在命令行终端下就可以使用vagrant命令。

3）下载Hadoop镜像

链接: https://pan.baidu.com/s/1bpaisnd

密码: pn6c

4）启动

加载Hadoop镜像

vagrant box add {自定义镜像名称} {镜像所在路径}

例如您想命名为Hadoop，镜像下载后的路径为d:\hadoop.box，加载命令就是这样：

vagrant box add hadoop d:\hadoop.box

创建工作目录，例如d:\hdfstest。

进入此目录，初始化

cd d:\hdfstest

vagrant init hadoop

启动虚机

vagrant up

启动完成后，就可以使用SSH客户端登录虚机了

IP   127.0.0.1

端口 2222

用户名 root

密码 vagrant

登录后使用命令ifconfig 查看本虚机的IP（如192.168.31.239），可以使用此IP和端口22登录了

IP   192.168.31.239

端口 22

用户名 root

密码 vagrant

Hadoop服务器环境搭建完成。

2、Shell命令行操作

登录Hadoop服务器后，先启动HDFS，执行命令：

start-dfs.sh

• 查看帮助

hdfs dfs –help

显示目录信息

-ls 后面是要查看的目录路径

创建目录

创建目录/test

hdfs dfs -mkdir /test

一次创建多级目录/aa/bb

hdfs dfs -mkdir -p /aa/bb

• 上传文件

形式

hdfs dfs -put {本地路径} {hdfs中的路径}

实例（先创建好一个测试文件mytest.txt，内容随意，然后上传到/test）

hadoop fs    -put       ~/mytest.txt /test

• 显示文件内容

hdfs dfs -cat /test/mytest.txt

• 合并下载

先创建2个测试文件（log.access, log.error），内容随意，使用-put上传到/test目录下

hdfs dfs -put log.* /test

然后把2个log文件合并下载到一个文件中

hdfs dfs -getmerge /test/log.* ./log

查看本地log文件内容，应该包含log.access与log.error两个文件的内容。

• 复制

从HDFS的一个路径拷贝HDFS的另一个路径

hdfs dfs -cp /test/mytest.txt /aa/mytest.txt.2

验证

hdfs dfs -ls /aa

• 移动文件

hdfs dfs -mv /aa/mytest.txt.2 /aa/bb

验证

hdfs dfs -ls /aa/bb

应列出mytest.txt.2。

• 删除

hdfs dfs -rm -r /aa/bb/mytest.txt.2

使用-r参数可以一次删除多级目录。

验证

hdfs dfs -ls /aa/bb

应为空

• 修改文件权限

与Linux文件系统中的用法一样，修改文件所属权限

-chgrp

-chmod

-chown

示例

hdfs dfs -chmod 666 /test/mytest.txt

hdfs dfs -chown someuser:somegrp /test/mytest.txt

• 统计文件系统的可用空间

hdfs dfs -df -h /

• 统计文件夹的大小

hdfs dfs -du -s -h /test

3、Java API操作

（1）环境配置

因为需要在本机链接Hadoop虚机服务器，所以需要配置Hadoop，使其可以被外部访问。

先登录Hadoop虚机服务器，然后：

1）查看本机IP

ip address

例如IP为：192.168.31.239

2）修改文件：

vi /usr/local/hadoop-2.7.3/etc/hadoop/core-site.xml

<property>

<name>fs.defaultFS</name>

<value>hdfs://localhost:9000</value>

</property>

把其中的localhost:9000修改为本机IP 192.168.31.239:9000

3）重新启动HDFS

#停止

stop-dfs.sh

#启动

start-dfs.sh

（2）搭建开发环境

）新建项目目录hdfstest

2）在项目目录下创建pom.xml

内容：

3）创建源码目录src/main/java

现在项目目录结构

├── pom.xml

!”” src

│     └── main

│     └── java

（3）示例代码

查看文件列表ls

1）新建文件src/main/java/Ls.java

列出/下的文件列表，及递归获取所有文件

2）编译执行

mvn compile

mvn exec:java -Dexec.mainClass=”Ls” -Dexec.cleanupDaemonThreads

=false

创建目录mkdir

在HDFS中创建目录/mkdir/a/b

1）新建文件

src/main/java/Mkdir.java

2）编译执行

mvn compile

mvn exec:java -Dexec.mainClass=”Mkdir” -Dexec.cleanupDaemonThre

ads=false

3）在服务器中使用HDFS命令验证

hdfs dfs -ls /mkdir

上传文件put

在当前项目目录下新建测试文件，上传到HDFS中的/mkdir

1）在项目目录下创建测试文件testfile.txt，内容随意

2）新建文件src/main/java/Put.java

3）编译执行

mvn compile

mvn exec:java -Dexec.mainClass=”Put” -Dexec.cleanupDaemonThread

s=false

4）在服务器中使用HDFS命令验证

hdfs dfs -ls /mkdir

hdfs dfs -cat /mkdir/testfile.txt

下载文件get

1）新建文件src/main/java/Get.java

把HDFS中/mkdir/testfile.txt下载到当前项目目录下

2）编译执行

mvn compile

mvn exec:java -Dexec.mainClass=”Get” -Dexec.cleanupDaemonThread

s=false

3）查看项目目录下是否存在testfile2.txt及其内容

删除文件delete

删除HDFS上之前上传的/mkdir/testfile.txt

1）新建文件src/main/java/Del.java

2）编译执行

mvn compile

mvn exec:java -Dexec.mainClass=”Del” -Dexec.cleanupDaemonThread

s=false

3）在服务器中使用HDFS命令验证，检查testfile.txt是否被删除

hdfs dfs -ls /mkdir

重命名rename

把HDFS中的/mkdir/a重命名为/mkdir/a2

1）新建文件src/main/java/Rename.java

2）编译执行

mvn compile

mvn exec:java -Dexec.mainClass=”Rename” -Dexec.cleanupDaemonThr

eads=false

3）在服务器中使用HDFS命令验证

hdfs dfs -ls /mkdir

流方式读取文件部分内容

上传一个文本文件，然后使用流方式读取部分内容保存到当前项目目录。

1）在服务器中创建一个测试文件test.txt，内容：

123456789abcdefghijklmn

上传到HDFS

hdfs dfs -put test.txt /

2）在本地项目中新建文件src/main/java/StreamGet.java

2）编译执行

mvn compile

mvn exec:java -Dexec.mainClass=”StreamGet” -Dexec.cleanupDaemon

Threads=false

3）执行后查看项目目录下的test.txt.part2

6789abcdefghijklmn

前面的12345已经被略过

三、深入了解

1、写入机制

向HDFS中写入文件时，是按照块儿为单位的，client会根据配置中设置的块儿的大小把目标文件切为多块，例如文件是300M ,配置中块大小值为128M，那么就分为3块儿。

具体写入流程：

1. client向namenode发请求，说想要上传文件
2. namenode会检查目标文件是否存在、父目录是否存在，检查没有问题后返回确认信息
3. client再发请求，问第一个block应该传到哪些datanode上
4. namenode经过衡量，返回3个可用的datanode（A，B，C）
5. client与A建立连接，A与B建立连接，B与C建立连接，形成一个pipeline
6. 传输管道建立完成后，client开始向A发送数据包，此数据包会经过管道一次传递到B和C
7. 当第一个block的数据都传完以后，client再向namenode请求第二个block上传到哪些datanode，然后建立传输管道发送数据
8. 就这样，直到client把文件全部上传完成

2、读取机制

1. Client把要读取的文件路径发给namenode，查询元数据，找到文件块所在的datanode服务器
2. Client直到了文件包含哪几块儿、每一块儿在哪些datanode上，就选择那些离自己进的datanode（在同一机房，如果有多个离着近的，就随机选择），请求简历socket流
3. 从datanode获取数据
4. Client接收数据包，先本地缓存，然后写入目标文件
5. 直到文件读取完成

3、NameNode机制

通过对HDFS读写流程的了解，可以发现namenode是一个很重要的部分，它记录着整个HDFS系统的元数据，这些元数据是需要持久化的，要保存到文件中。

Namenode还要承受巨大的访问量，client读写文件时都需要请求namenode，写文件时要修改元数据，读文件时要查询元数据。

为了提高效率，namenode便将元数据加载到内存中，每次修改时，直接修改内存，而不是直接修改文件，同时会记录下操作日志，供后期修改文件时使用。

这样，namenode对数据的管理就涉及到了3种存储形式：

1. 内存数据
2. 元数据文件
3. 操作日志文件

namenode需要定期对元数据文件和日志文件进行整合，以保证文件中数据是新的，但这个过程很消耗性能，namenode需要快速地响应client的大量请求，很难去完成文件整合操作，这时就引入了一个小助手secondnamenode。

secondnamenode会定期从namenode中下载元数据文件和操作日志，进行整合，形成新的数据文件，然后传回namenode，并替换掉之前的旧文件。

secondnamenode是namenode的好帮手，替namenode完成了这个重体力活儿，并且还可以作为namenode的一个防灾备份，当namenode数据丢失时，secondnamenode上有最近一次整理好的数据文件，可以传给namenode进行加载，这样可以保证最少的数据丢失。

小结

HDFS的基础内容介绍完了，希望可以帮助您快速熟悉HDFS的思路和使用方式。如有批评与建议（例如内容有误、不足的地方、改进建议等），欢迎留言讨论。

文章来自微信公众号：DBAplus社群