大数据技术之Hadoop（HDFS）概述Shell操作API操作读写流程工作机制
Posted @从一到无穷大
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了大数据技术之Hadoop（HDFS）概述Shell操作API操作读写流程工作机制相关的知识，希望对你有一定的参考价值。
文章目录
1 HDFS 概述
1.1 HDFS 产生背景及定义
HDFS 产生背景
随着数据量越来越大，在一个操作系统存不下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS 只是分布式文件管理系统中的一种。
HDFS 定义
HDFS（Hadoop Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；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 的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。
1.2 HDFS 优缺点
HDFS优点
（1）高容错性：数据自动保存多个副本。它通过增加副本的形式，提高容错性。某一个副本丢失以后，它可以自动恢复。
（2）适合处理大数据：数据规模上能够处理数据规模达到GB、TB、甚至PB级别的数据；文件规模：能够处理百万规模以上的文件数量，数量相当之大。
（3）可构建在廉价机器上，通过多副本机制，提高可靠性。
HDFS缺点
（1）不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。
（2）无法高效的对大量小文件进行存储。 存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。这样是不可取的，因为NameNode的内存总是有限的；小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。
（3）不支持并发写入、文件随机修改。一个文件只能有一个写，不允许多个线程同时写；仅支持数据append（追加），不支持文件的随机修改。
1.3 HDFS 组成架构
1）NameNode（nn）：就是Master，它是一个主管、管理者。
管理HDFS的名称空间；配置副本策略；
管理数据块（Block）映射信息；处理客户端读写请求。
（2）DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作。
存储实际的数据块；执行数据块的读/写操作。
（3）Client：就是客户端。
文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传；
与NameNode交互，获取文件的位置信息；与DataNode交互，读取或者写入数据；
Client提供一些命令来管理HDFS，比如NameNode格式化；Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作。
（4）Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。
辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；
在紧急情况下，可辅助恢复NameNode。
1.4 HDFS 文件块大小（面试重点）
（1）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/3.x版本中是128M，1.x版本中是64M。
（2）如果寻址时间约为10ms，即查找到目标block的时间为10ms。
（3）寻址时间为传输时间的1%时，则为最佳状态。（专家）因此，传输时间=10ms/0.01=1000ms=1s
（4）而目前磁盘的传输速率普遍为100MB/s。
思考：为什么块的大小不能设置太小，也不能设置太大？
（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；
（2）如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。
总结：HDFS块的大小设置主要取决于磁盘传输速率。
2 HDFS 的 Shell操作（开发重点）
2.1 基本语法
hadoop fs 具体命令 或者 hdfs dfs 具体命令，这两个是完全相同的。
2.2 命令大全
[Tom@hadoop102 hadoop-3.1.3]$ bin/hadoop fs
Usage: hadoop fs [generic options]
[-appendToFile <localsrc> ... <dst>]
[-cat [-ignoreCrc] <src> ...]
[-checksum <src> ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] [-l] [-d] [-t <thread count>] <localsrc> ... <dst>]
[-copyToLocal [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] [-e] <path> ...]
[-cp [-f] [-p | -p[topax]] [-d] <src> ... <dst>]
[-createSnapshot <snapshotDir> [<snapshotName>]]
[-deleteSnapshot <snapshotDir> <snapshotName>]
[-df [-h] [<path> ...]]
[-du [-s] [-h] [-v] [-x] <path> ...]
[-expunge]
[-find <path> ... <expression> ...]
[-get [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-getfacl [-R] <path>]
[-getfattr [-R] {-n name | -d} [-e en] <path>]
[-getmerge [-nl] [-skip-empty-file] <src> <localdst>]
[-head <file>]
[-help [cmd ...]]
[-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [-e] [<path> ...]]
[-mkdir [-p] <path> ...]
[-moveFromLocal <localsrc> ... <dst>]
[-moveToLocal <src> <localdst>]
[-mv <src> ... <dst>]
[-put [-f] [-p] [-l] [-d] <localsrc> ... <dst>]
[-renameSnapshot <snapshotDir> <oldName> <newName>]
[-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
[-setfattr {-n name [-v value] | -x name} <path>]
[-setrep [-R] [-w] <rep> <path> ...]
[-stat [format] <path> ...]
[-tail [-f] [-s <sleep interval>] <file>]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src> ...]
[-touch [-a] [-m] [-t TIMESTAMP ] [-c] <path> ...]
[-touchz <path> ...]
[-truncate [-w] <length> <path> ...]
[-usage [cmd ...]]
2.3 常用命令实操
准备工作
（1）启动 Hadoop集群（方便后续的测试）
[Tom@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[Tom@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
（2）-help：输出这个命令参数
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -help rm
-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ... :
Delete all files that match the specified file pattern. Equivalent to the Unix
command "rm <src>"
-f If the file does not exist, do not display a diagnostic message or
modify the exit status to reflect an error.
-[rR] Recursively deletes directories.
-skipTrash option bypasses trash, if enabled, and immediately deletes <src>.
-safely option requires safety confirmation, if enabled, requires
confirmation before deleting large directory with more than
<hadoop.shell.delete.limit.num.files> files. Delay is expected when
walking over large directory recursively to count the number of
files to be deleted before the confirmation.
（3）创建 /ThreeKingdoms文件夹
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /ThreeKingdoms
上传
（1）-moveFromLocal：从本地剪切到HDFS
[Tom@hadoop102 hadoop-3.1.3]$ vim shu.txt
Liu Bei
Zhuge Liang
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -moveFromLocal ./shu.txt /ThreeKingdoms
（2）-copyFromLocal：从本地文件系统中拷贝文件到 HDFS路径去
[Tom@hadoop102 hadoop-3.1.3]$ vim wu.txt
Sun Quan
Zhou Yu
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -copyFromLocal wu.txt /ThreeKingdoms
（3）-put：等同于 copyFromLocal，生产环境更习惯用 put
[Tom@hadoop102 hadoop-3.1.3]$ vim wei.txt
Cao Cao
Xiahou Dun
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -put wei.txt /ThreeKingdoms
（4）-appendToFile：追加一个文件到已经存在的文件末尾
[Tom@hadoop102 hadoop-3.1.3]$ vim shu2.txt
Guan Yu
Zhang Fei
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -appendToFile shu2.txt /ThreeKingdoms/shu.txt
下载
（1）-copyToLocal：从 HDFS拷贝到本地
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal /ThreeKingdoms/shu.txt
（2）-get：等同于 copyToLocal，生产环境更习惯用 get
[Tom@hadoop102 hadoop-3.1.3]$ rm -rf shu.txt
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -copyToLocal /ThreeKingdoms/shu.txt
HDFS直接操作
（1）-ls： 显示目录信息
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -ls /ThreeKingdoms
-rw-r--r-- 3 Tom supergroup 38 2021-06-15 16:11 /ThreeKingdoms/shu.txt
-rw-r--r-- 3 Tom supergroup 19 2021-06-15 16:00 /ThreeKingdoms/wei.txt
-rw-r--r-- 3 Tom supergroup 17 2021-06-15 15:54 /ThreeKingdoms/wu.txt
（2）-cat：显示文件内容
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -cat /ThreeKingdoms/shu.txt
2021-06-15 16:31:48,592 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
Liu Bei
Zhuge Liang
Guan Yu
Zhang Fei
（3）-chgrp、 -chmod、 -chown：与Linux文件系统中的用法一样，修改文件所属权限
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -chmod 666 /ThreeKingdoms/shu.txt
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -chown Tom:Tom /ThreeKingdoms/shu.txt
（4）-mkdir：创建路径
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /jinguo
（5）cp：从 HDFS的一个路径拷贝到 HDFS的另一个路径
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -cp /ThreeKingdoms/wei.txt /jinguo
（6）-mv：在 HDFS目录中移动文件
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /ThreeKingdoms/wu.txt /jinguo
（7）-tail：显示一个文件的末尾 1kb的数据
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -tail /jinguo/wei.txt
（8）-rm：删除文件或文件夹
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -rm /ThreeKingdoms/wei.txt
Deleted /ThreeKingdoms/wei.txt
（9）-rm -r：递归删除目录及目录里面内容
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /ThreeKingdoms
Deleted /ThreeKingdoms
（10）-du：统计文件夹的大小信息
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -du -s -h /jinguo
74 222 /jinguo
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -du -h /jinguo
38 114 /jinguo/shu.txt
19 57 /jinguo/wei.txt
17 51 /jinguo/wu.txt
说明： 74表示文件大小； 222表示 74*3个副本； ；/jinguo表示查看的目录
（11）-setrep：设置 HDFS中文件的副本数量
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -setrep 5 /jinguo/shu.txt
Replication 5 set: /jinguo/shu.txt
这里设置的副本数只是记录在 NameNode的元数据中，是否真的会有这么多副本，还得看 DataNode的数量。因为目前只有 3台设备，最多也就 3个副本，只有节点数的增加到 10台时副本数才能达到 10。
3 HDFS 的 API操作
3.1 客户端环境准备
（1）找到资料包路径下的Windows依赖文件夹，拷贝 hadoop-3.1.0到非中文路径，比如(d:\\)
（2）配置 HADOOP_HOME环境变量（我的电脑->属性->高级系统设置->环境变量）
（3）配置 Path环境变量（如果环境变量不起作用，可以重启电脑试试。）
（4）在 IDEA中创建一个 Maven工程HdfsClientDemo，并导入相应的依赖坐标 +日志添加
<dependencies>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
</dependency>
<dependency>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
<version>1.7.30</version>
</dependency>
</dependencies>
在项目的src/main/resources目录下，新建一个文件，命名为“ log4j.properties”，在文件中填入
log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] -%m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] -%m%n
（5）创建包名 com.Tom.hdfs
（6）创建 HdfsClient类
（7）执行程序
客户端去操作 HDFS时 ，是有一个用户身份的。默认情况下， HDFS客户端 API会从采用 Windows默认用户访问 HDFS，会报权限异常错误。所以在访问 HDFS时，一定要配置用户。
3.2 HDFS的 API案例实操
package com.Tom.hdfs;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.junit.After;
import org.junit.Before;
import org.junit.Test;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;
import java.util.Arrays;
/**
* 客户端代码常用套路
* 1. 获取一个客户端对象
* 2. 执行相关的操作命令
* 3. 关闭资源
* HDFS zookeeper
*/
public class HdfsClient {
private FileSystem fs;
@Before
public void init() throws URISyntaxException, IOException, InterruptedException {
// 连接的集群nn地址
URI uri = new URI("hdfs://hadoop102:8020");
// 创建一个配置文件
Configuration configuration = new Configuration();
configuration.set("dfs.replication", "2");
// 创建一个用户
String user = "Tom";
// 1. 获取到了一个客户端对象
fs = FileSystem.get(uri, configuration, user);
}
@After
public void close() throws IOException {
// 3. 关闭资源
fs.close();
}
// 创建目录
@Test
public void testmkdir() throws URISyntaxException, IOException, InterruptedException {
// 2. 创建一个文件夹
fs.mkdirs(new Path("/xiyou/huaguoshan"));
}
// 上传
/**
* 参数优先级
* 代码里的配置 > 在项目资源目录下的配置文件 > hdfs-site.xml > hdfs-default.xml
*
* @throws IOException
*/
@Test
public void testsPut() throws IOException {
// 参数解读：参数一：表示删除原数据；参数二：是否允许覆盖；参数三：原数据路径；参数四：目的地路径
fs.copyFromLocalFile(false, true, new Path("E:\\\\LayerData.vtk"), new Path("hdfs://hadoop102/xiyou/huaguoshan"));
}
// 文件下载
@Test
public void testGet() throws IOException {
// 参数的解读：参数一：原文件是否删除；参数二：原文件路径HDFS；参数三：目标地址路径：Win；参数四
// fs.copyToLocalFile(true, new Path("hdfs://hadoop104/xiyou/huaguoshan"), new Path("E:\\\\test.vtk"), true);
fs.copyToLocalFile(false, new 以上是关于大数据技术之Hadoop（HDFS）概述Shell操作API操作读写流程工作机制的主要内容，如果未能解决你的问题，请参考以下文章
大数据技术之_04_Hadoop学习_01_HDFS_HDFS概述+HDFS的Shell操作(开发重点)+HDFS客户端操作(开发重点)+HDFS的数据流(面试重点)+NameNode和Seconda