HDFS学习小结(Hadoop2.xx版本)

1.HDFS（Hadoop Distributed File System）:hadoop分布式文件系统，由管理文件系统元数据（metadata）的NameNode和存储实际数据的DataNode组成。      

        通过分布式的存储机制支持线性增长的海量存储能力

        数据自动冗余，无须通过RAID进行备份
        一次写入，多次读，不能修改，简单一致，1.xx版不支持append功能
        按照“数据就近”原则分配节点执行

2.NameNode:管理hdfs的命名空间
    保存metadata信息：
        文件owership与permissions
        文件包含那些Block
        Block保存在哪个DataNode
    NameNode的metadata信息存储到磁盘中的fsimage,在hdfs启动后加载到内存；

    内存中NameNode操作信息会保存到磁盘中的edits日志中。
 
NameNode启动时的安全模式阶段：
    1）不产生数据写

    2）收集DataNode的报告，当数据块达到最小副本数以上，则视为安全；当安全块达到一定比例后，过若干时间退出安全模式

    3）针对副本数不足的数据块，自动复制使其达到最小副本数

3.DataNode：真正存储数据的地方
    以Block形式存储，每个块Block预设128M，比目前大多数文件系统的block块大，但是物理存储上不会占用这么多的空间
    每个区块至少分到三台（默认）DataNode上，其副本数可以调整。其副本机制提高可靠度和读取吞吐量
    启动DataNode线程时，遍历本地文件系统，产生一份hdfs数据块和本地文件的对应关系列表，并汇报给NameNode。

4.Secondary NameNode：
        当NameNode启动时，需要合并硬盘上的fsimage(HDFS的最新状态)和edits(fsimage创建后的)，需要消耗大量的启动时间。这里的Secondary NameNode定时去下载namenode的fsimage文件和edits文件进行合并，同时namenode上启用新的edits，然后再将合并后的fsimage上传覆盖namenode，并开启一个新的edits日志，减少了hdfs启动启动时间。

5.Checkpoint node：可能是为了避免名字上的混淆，1.0.4 版本后建议使用CheckPoint Node去代替Secondary NameNode，作用及配置基本一样。
    使用bin/hdfs namenode -checkpoint去启动
    启动NameNode时-importCheckpoint，可以从checkpioint中导入namenode
    常用配置文件：
        dfs.namenode.checkpoint.period  #edits触发一次合并的时间
        fs.checkpoint.size  #edits触发一次合并的大小临界值
        dfs.namenode.checkpoint.dir  #指定secondary namenode的保存路劲
        dfs.namenode.checkpoint.edits.dir  #指定secondary namenode的edits保存路径

6.Backup Node：namenode的完全备份。除了提供Checkpoint功能，还复制master内存中的Namespace到自己的内存中。Backup Node不仅接收NameNode上的edits保存到磁盘，还应用edits到自己的Namespace内存复本，建立了Namespace的完全备份。
    目前hdfs只支持一个backup node，使用了backup之后就不能使用checkpoing了
        dfs.backup.address  #backup node的位置
        dfs.backup.http.address  #backup node web界面地址
   
    dfs.backup.address配置的节点上，运行bin/hdfs namenode -checkpoint

7. Block三副本放置策略：
        副本1：client的节点上

        副本2：不同机架的节点上

        副本3：与副本2同一机架的另一个节点上

8.DataNode损坏处理机制：
        1.从DataNode中读取Block的时候，它会计算checksum
        2.计算后的checksum与创建时值不一样，说明该block已经损坏
        3.client会读取其他DataNode上的block，NameNode标记该块已经损坏，然后复制block达到预设的副本数（通常在文件创建后三周（默认）验证其checksum）

9.HDFS的访问方式：
        HDFS SHELL 命令

        HDFS JAVA API

        HDFS REST API

        HDFS FUSE

        HDFS lib hdfs：C/C++访问接口

        thrift
                。。。

10.Hadoop与HDFS的交互类shell：hadoop fs –help命令
    hadoop fs –ls PATH：查看指定目录下内容
    hadoop fs –cat PATH/FILE：查看FILE
    hadoop fs –put LOCAL_PATH/FILE HADOOP_PATH:将本地文件存储至hadoop
    hadoop fs –put LOCAL_PATH HADOOP_PATH:将本地文件夹存储至hadoop
    hadoop fs –rm PATH/FILE：删除FILE
    hadoop fs –rmr PATH：删除PATH下所有文件
    hadoop fs –mkdir PATH: 新建目录
    hadoop fs  -touchz  PATH/FILE：创建一个文件
    hadoop  fs  –mv  PATH/OLD_FILE  PATH/NEW_FILE:  文件重命名
            ......

11.hdfs管理
hadoop-deamon.sh start namenode #启动namenode
hadoop-deamon.sh start datanode #启动datanode

hdfs dfsadmin -help：获取一些hdfs管理的操作
    -report：报告HDFS的基本统计数据
    -safemode：安全模式
    -finalizeUpgrade：移除集群最后一次升级前的备份
    -refreshNodes：重新读取hosts和exclude文件(dfs.hosts.exclude选项中指定)，NameNode重新识别节点的改动
    -printTopology：显示集群的拓扑
    -upgradeProgress status/details/force：显示升级状态/升级状态的细节/强制升级操作

hadoop  fsck： 文件管理

        <path>              检查这个目录中的文件是否完整
        -move              破损的文件移至/lost+found目录
        -delete            删除破损的文件
        -openforwrite  打印正在打开写操作的文件
        -files                打印正在check的文件名
        -blocks            打印block报告 （需要和-files参数一起使用）
        -locations        打印每个block的位置信息（需要和-files参数一起使用）
        -racks              打印位置信息的网络拓扑图 （需要和-files参数一起使用）
start-balancer.sh -threshold:数据块重新分布

可以通过Web服务查看集群中NameNode和DataNode的状态。
    http://master:50070/ ：显示集群当前基本状态