hadoop菜鸟教程 hadoop上传文件命令

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。

HDFS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​。

重点概念：文件切块，副本存放，元数据。

HDFS重要特性：

• 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，老版本中是64M；
• 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/file.data；
• 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)所对应的block块信息(block的id。及所在的datanode服务器)；
• 文件的各个block的存储管理由datanode节点承担———–namenode是HDFS集群从节点，每一个block都可以在多个dataname上存储多个副本(副本数量也可以通过参数设置dfs.replication)；

HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改（注：适合用来做数据分析，并不适合用来做网盘应用，因为，不便修改，延迟大，网络开销大，成本太高）。

HDFS原理篇

工作机制：

工作机制的学习主要是为加深对分布式系统的理解，以及增强遇到各种问题时的分析解决能力，形成一定的集群运维能力。注：很多不是真正理解hadoop技术体系的人会常常觉得HDFS可用于网盘类应用，但实际并非如此。要想将技术准确用在恰当的地方，必须对技术有深刻的理解。

1 概述

• HDFS集群分为两大角色:NameNode、DataNode

• NameNode负责管理整个文件系统的元数据
• DataNode负责管理用户的文件数据块
• 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
• 每一个文件块可以有多个副本，并存放在不同的datanode上
• DataNode会==定期==向NameNode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量
• HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行

2 HDFS写数据流程

客户端要向HDFS写数据，首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode，然后客户端按顺序将文件逐个block传递给相应datanode，并由接收到block的datanode负责向其他datanode复制block的副本。

这里说明文件的切割是在客户端实现的，而不是NameNode。文件的传输也是由客户端传到指定datanode上，副本由datanode传给其他datanode。​

详细步骤(重要)：

• 跟namenode通信请求上传文件，==namenode检查目前文件是否已存在，父目录是否存在==

• namenode返回是否可以上传
• client请求第一个block该传输到哪些datanode服务器上(副本)
• namenode返回3个datanode服务器ABC(假如副 本数为3。优先找同机架的，其次不同机架，再其次是同机架的再一台机器。还会根据服务器的容量，)
• client请求3台datanode中的一台A上传数据==(本质上是一个RPC调用，建立pipeline)==，A收到请求会继续调用B，然后B调用C，将整个pipeline建立完成，逐级返回客户端
• client开始往A上传第一个block(先从磁盘读取数据放到一个本地内存缓存)，以packet为单位，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答。
• 当一个block传输完成之后，client再次请求namenode上传第二个block的服务器。

3. HDFS读数据流程

概述：

客户端将要读取的文件路径发给namenode，namenode获取文件的元信息(主要是block的存放位置信息)返回给客户端，客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端进行数据追加合并从而获得整个文件。

详细步骤解析：

跟namenode通信查询元数据，找到文件块所在的datanoede服务器挑选一台datanode(就近原则，然后随机)服务器，请求建立socket流datanode开始发送数据(从磁盘里面读取数据放入流，以packet为单位来做校验)客户端以packet为单位接收，先在本地缓存，然后写入目标文件。​

NAMENODE工作机制

学习目标：理解namenode的工作机制尤其是元数据管理机制，以增强对HDFS工作原理的理解，及培养hadoop集群运营中”性能调优”、”namenode”故障问题的分析解决能力

职责：

NAMENODE职责:
负责客户端请求的响应


元数据的管理(查询、修改)

元数据管理：

namenode对数据的管理采用了三种存储形式:
内存元数据(NameSystem)
磁盘元数据镜像文件(fsimage)


数据操作日志文件(edits.xml)可通过日志运算出元数据

元数据存储机制(重要)：

A、内存中有一份完整的元数据(内存meta data)

B、磁盘有一个”准完整”的元数据镜像(fsimage)文件(在namenode的工作目录中)

​C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志(edits文件)

注：当客户端对hdfs中的文件进行新增或者修改操作，操作记录首先被记入edits日志文件中，当客户端操作完成后，相应的元数据会更新到内存meta.data中。

元数据手动查看

可通过hdfs的一个工具来查看edits中的信息hdfs oev -i edits -o edits.xmlhdfs oiv -i fsimage_0000000087 -p XML -o fsimage.xml

inputfile: 要查看的fsimage文件

   outputfile:

用于保存格式化之后的文件 process: 使用什么进程解码，XML|Web|…

​Datanode工作职责:

存储管理用户的文件块数据
定期向namenode汇报自身所持有的block信息(通过心跳信息上报)
(这点很重要，因为当集群发生某些block副本失效时，集群如何恢复block初始副本数量的