HDFS应用场景、原理、基本架构及使用方法
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”
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
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
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
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:
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