HDFS应用场景、原理、基本架构及使用方法

程序源代码

共 4549字,需浏览 10分钟

 ·

2020-08-18 09:00

点击上方蓝色字体,选择“设为星标

回复”资源“获取更多资源

大数据技术与架构
点击右侧关注,大数据开发领域最强公众号!

暴走大数据
点击右侧关注,暴走大数据!

HDFS应用场景、原理、基本架构及使用方法



HDFS优点和缺点



HDFS优点

1、高容错性

   数据自动保存多个副本

   副本丢失后,自动恢复


2、适合批处理

   移动计算而非数据

   数据位置暴露给计算框架


3、适合大数据处理

   GB、TB、甚至PB级数据

   百万规模以上的文件数量

   10K+节点规模


4、流式文件访问

   一次性写入,多次读取

   保证数据一致性


5、可构建在廉价机器上

   通过多副本提高可靠性

   提供了容错和恢复机制


HDFS缺点

1、低延迟数据访问

   比如毫秒级-达不到

   低延迟与高吞吐率


2、小文件存取

   占用NameNode大量内存

   寻道时间超过读取时间


3、并发写入、文件随机修改

   一个文件只能有一个写者

   仅支持append


分布式文件系统的一种实现方式:把大文件根据规则切分成小文件存储在不同的机器上



HDFS基本架构和原理




HDFS设计思想






HDFS架构






HDFS数据块





1、文件被切分成固定大小的数据块

   默认数据块大小为128MB,可配置

   若文件大小不到128MB,则单独存成一个block


2、为何数据块如此之大

   数据传输时间超过寻道时间(高吞吐率)


3、一个文件存储方式

   按大小被切分成若干个block,存储到不同节点上

   默认情况下每个block有三个副本[最小的2N+1>1]




HDFS写流程






HDFS读流程







HDFS典型物理拓扑






HDFS副本设置策略






HDFS可靠性策略






HDFS不适合存储小文件





1、元信息存储在NameNode内存中

   一个节点的内存是有限的


2、存取大量小文件消耗大量的寻道时间

   类比拷贝大量小文件与拷贝同等大小的一个大文件


3、NameNode存储block数目是有限的

   一个block元信息消耗大约150 byte内存

   存储1亿个block,大约需要20GB内存

   如果一个文件大小为10K,则1亿个文件大小仅为1TB(但要消耗掉NameNode 20GB内存)



HDFS程序设计


HDFS访问方式

   HDFS Shell命令

   HDFS Java API

   HDFS REST API

   HDFS Fuse:实现了fuse协议

   HDFS lib hdfs:C/C++访问接口

   HDFS 其他语言编程API

   使用thrift实现

   支持C++、Python、php、C#等语言




HDFS Shell命令




$ hdfs version

Hadoop 3.1.1


Usage: hdfs [OPTIONS] SUBCOMMAND [SUBCOMMAND OPTIONS]


SUBCOMMAND:

Admin Commands

Client Commands

Daemon Commands


不同版本的Hadoop命令还是有差异的,具体会在后面新的文章中总结。

$ hadoop dfsadmin

WARNING: Use of this script to execute dfsadmin is deprecated.

WARNING: Attempting to execute replacement "hdfs dfsadmin" instead.


$ hadoop fsck

WARNING: Use of this script to execute fsck is deprecated.

WARNING: Attempting to execute replacement "hdfs fsck" instead.




HDFS Shell文件操作命令




Usage: hadoop fs [generic options]


1、将本地文件上传到HDFS上

   bin/hadoop fs -copyFromLocal /local/data /hdfs/data


2、删除文件/目录

   bin/hadoop fs -rmr /hdfs/data


3、创建目录

   bin/hadoop fs -mkdir /hdfs/data




HDFS管理脚本




在sbin目录下

   start-all.sh

   start-dfs.sh

   start-yarn.sh

   hadoop-deamon(s).sh

单独启动某个服务

   hadoop-deamon.sh start namenode

   hadoop-deamons.sh start namenode(通过SSH登录到各个节点)




数据均衡器balancer




1、数据块重分布

   bin/start-balancer.sh -threshold


2、percentage of disk capacity

   HDFS达到平衡状态的磁盘使用率偏差值

   值越低各节点越平衡,但消耗时间也更长



HDFS设置目录份额




1、限制一个目录最多使用磁盘空间

   $ hdfs dfsadmin -setSpaceQuota 128M /test


2、限制一个目录包含的最多子目录和文件数目

   $ hdfs dfsadmin -setQuota 100 /test



增加和移除DataNode节点




1、加入新的datanode

   步骤1:将已存在datanode上的安装包(包括配置文件等)拷贝到新datanode上

   步骤2:启动新datanode

   sbin/hadoop-deamon.sh start datanode


2、移除旧datanode

   步骤1:将datanode加入黑名单,并更新黑名单,在NameNode上,将datanode的host或者ip加入配置选项dfs.hosts.exclude指定的文件中

   步骤2:移除datanode

   bin/hdfs dfsadmin -refreshNodes



HDFS JavaAPI




1、Configuration类

   该类的对象封装了配置信息,这些配置信息来自core-*.xml


2、FileSystem类

   文件系统类,可使用该类的方法对文件根目录进行操作。一般通过FileSystem的静态方法get获得一个文件系统对象


3、FSDataInputStream和FSDataOutputStream类

   HDFS中的输入输出流。分别通过FileSystem的open 方法和create方法获得。


以上类均来自java包:org.apache.hadoop.fs




HDFS Thrift API




通过Thrift实现多语言Client访问HDFS


Hadoop2.0新特性

           

NameNode HA

NameNode Federation

HDFS 快照(snapshot)

HDFS 缓存(in-memory cache)

HDFS ACL

异构层级存储结构(Heterogeneous Storage hierarchy)




HA与Federation








异构层级存储结构




1、HDFS将所有存储介质抽象成性能相同的Disk

   

   dfs.datanode.data.dir

   /dir0,/dir1,/dir2,/dir3

   


2、存储介质种类繁多,一个集群中存在多种异构介质

   磁盘、SSD、RAM等


3、多种类型的任务企图同时运行在同一个Hadoop集群中

   批处理,交互式处理,实时处理


4、不同性能要求的数据,最好存储在不同类别的存储介质上


5、每个节点是由多种异构存储介质构成的

   

   dfs.datanode.data.dir

   [disk]/dir0,[disk]/dir1,[ssd]/dir2,[ssd]/dir3

   


6、HDFS仅提供了一种异构存储结构,并不知道存储介质的性能

   HDFS为用户提供了API,以控制目录/文件写到什么介质上

   HDFS为管理员提供了管理工具,可限制每个用户对 每种介质的可使用份额

   完成度-待研究[毕竟3.x版本了]



HDFS ACL权限控制




1、对当前基于POSIX文件权限管理的补充(HDFS-4685)


2、启动该功能;

   将dfs.namenode.acls.enabled置为true


3、使用方法

   hdfs dfs -setfacl -m user:tom:rw- /bank/exchange

   hdfs dfs -setfacl -m user:lucy:rw- /bank/exchange

   hdfs dfs -setfacl -m group:team2:r-- /bank/exchange

   hdfs dfs -setfacl -m group:team3:r-- /bank/exchange



HDFS快照




1、HDFS上文件和目录是不断变化的,快照可以帮助用户保存某个时刻的数据

2、HDFS快照的作用

   防止用户误操作删除数据

   数据备份


3、一个目录可以产生快照,当且仅当它是Snapshottable

   bin/hdfs dfsadmin allowSnapshot

 

4、创建/删除快照

   bin/hdfs dfs -createSnapshot[]

   bin/hdfs dfs -deleteSnapshot[]


5、快照存放位置和特点

   快照是只读的,不可修改

   快照位置:

     /.snapshot

/.snapshot/snap_name



HDFS缓存




1、HDFS自身不提供数据缓存功能,而是使用OS缓存

   容易内存浪费,eg.一个block三个副本同时被缓存

   多种计算框架共存,均将HDFS作为共享存储系统


   MapReduce:离线计算,充分利用磁盘

   Impala:低延迟计算,充分利用内存

   Spark:内存计算框架


2、HDFS应让多种混合计算类型共存一个集群中

   合理的使用内存、磁盘等资源

   比如,高频访问的特点文件应被尽可能长期缓存,防止置换到磁盘上


3、用户需通过命令显式的将一个目录或文件加入/移除缓存

   不支持块级别的缓存

   不支持自动化缓存

   可设置缓存失效时间

4、缓存目录:仅对一级文件进行缓存

   不会递归缓存所有文件与目录


5、以pool的形式组织缓存资源

   借助YARN的资源管理方式,将缓存划分到不同pool中

   每个pool有类linux权限管理机制、缓存上限、失效时间等

   

6、独立管理内存,未与资源管理系统YARN集成

   用户可为每个DN设置缓存大小,该值独立于YARN

浏览 70
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报