HDFS
1、概述
HDFS是Hadoop分布式文件系统，用来分布式存储海量数据，并具有高可靠、高性能、可伸缩的能力。
HDFS屏蔽了分布式存储的细节，提供了标准的访问方式，能够以类似访问本地文件系统的方式访问HDFS中的文件。
如下是HDFS的整体流程架构：
2、HDFS的相关操作
可以通过shell或JavaAPI方式操作HDFS中的数据。
1．shell命令
hdfs中的数据，一次写入、多次读取、不支持行级别的增删改。2.0版本增加了在文件中追加的内容的功能。所以也没有对应的行级别的命令。
hadoop fs -ls /user #查看目录。
hadoop fs -mkdir /user/trunk #创建目录。
hadoop fs -lsr /user #递归查看目录。
hadoop fs -put test.txt /user/trunk #上传文件。
hadoop fs -put test.txt #复制到hdfs当前目录下，首先要创建当前目录。
hadoop fs -get /user/trunk/test.txt #复制到本地当前目录下，即下载到本地当前目录
hadoop fs -cat /user/trunk/test.txt #查看文件内容。
hadoop fs -tail /user/trunk/test.txt #监控，查看最后1000字节。
hadoop fs -rm /user/trunk/test.txt #删除文件。
hadoop fs -rmdir /user/trunk #删除目录。
hadoop fs -help ls #查看ls命令的帮助文档。2．Eclipse中Hadoop插件的使用
1>安装单机模式
在Windows环境下，解压一个Hadoop的安装包，作为Windows下的Hadoop单机模式使用。
如果要使用远程的Hadoop需要配置Windows下的Hadoop的环境变量，以及用户名的环境变量。配置此项可能需要重启电脑。
内容如下：
HADOOP_HOME=路径
PATH=%HADOOP_HOME%/bin;%HADOOP_HOME%/sbin
HADOOP_USER_NAME=root2>添加插件
将插件文件hadoop-eclipse-plugin-2.7.1.jar放入eclipse/plugins目录下，重启eclipse。
3>配置Eclipse
在Window的preferences中找到Hadoop Map/Reduce，将单机模式的Hadoop路径填入，如下如所示：
在Eclipse中找到如下界面，将Map/Reduce模式显示出来。
在Hadoop的配置界面，填入如下数据：
Location name：填写安装Hadoop服务器的主机名。
Map/Reduce(V2)Master Host：填写安装Hadoop服务器的主机名。
DFS Master Port：改为安装Hadoop服务器核心配置文件中配置的端口号，一般默认为9000。
User name：安装Hadoop服务器的超级管理员，一般为root。
配置完成点击Finish。然后就可以使用了。
4>问题
当遇到权限拒绝问题时，可以修改hdfs-site.xml中的配置dfs.permissions为false关闭hadoop的权限认证。
也可以在windows的环境变量中配置HADOOP_USER_NAME指定连接hadoop时使用的名称，这种方式配置完要重启eclipse。
3．HDFS的Java API
1>导入jar
hadoop/share/hadoop/common/*.jar
hadoop/share/hadoop/common/lib/*.jar
hadoop/share/hadoop/hdfs/*.jar
2>FileSystem
文件系统类，HDFS API的主要类，所有相关操作基本都在这个类里。
①重要方法
1)get(URI uri,Configuration conf);
获取一个FileSystem对象。
2)open(Path path);
打开连接。返回一个InputStream对象。
3)create(Path path);
创建一个文件。返回一个OutputStream对象。
4)delete(Path path,boolean recursive);
是否递归删除一个文件或路径。返回boolean值，删除成功返回true，删除失败返回false。
5)mkdirs(Path path);
创建文件夹，可以创建多级目录。返回boolean值，创建成功返回true，创建失败返回false。
3>IOUtils
HDFS相关操作的一个工具类。
①重要方法
1)copyBytes(InputStream in，OutputStream out，int buffersize);
对接数据，将输入输出流整合，直接将文件传输到目的地。
4>代码演示
@Test
public void mkdir() throws Exception {
FileSystem fs = FileSystem.get(new URI("hdfs://yun01:9000"), new Configuration());
fs.mkdirs(new Path("/test2/xx/yy/zzz"));
fs.close();
}
@Test
public void delete() throws Exception {
// 1.创建文件系统对象
FileSystem fs = FileSystem.get(new URI("hdfs://yun01:9000"), new Configuration());
// 2.删除文件
// fs.delete(new Path("/test/3.txt"));
fs.delete(new Path("/test/1.txt"), true);
// 3.关闭连接
fs.close();
}
@Test
public void upload() throws Exception {
// 1.创建文件系统对象
FileSystem fs = FileSystem.get(new URI("hdfs://yun01:9000"), new Configuration());
// 2.创建文件
FSDataOutputStream out = fs.create(new Path("/test/3.txt"));
// 3.创建输入流
InputStream in = new FileInputStream("2.txt");
// 4.对接流
IOUtils.copyBytes(in, out, 1024);
// 5.关闭流关闭文件系统
in.close();
out.close();
fs.close();
}
@Test
public void download() throws Exception {
// 1.创建文件系统对象
FileSystem fs = FileSystem.get(new URI("hdfs://yun01:9000"), new Configuration());
// 2.获取连接文件的流
FSDataInputStream in = fs.open(new Path("/test/jt-对象存储地址.txt"));
// 3.创建输出流
OutputStream out = new FileOutputStream("2.txt");
// 对接流，传输数据
IOUtils.copyBytes(in, out, 1024);
// 5.关闭流，关闭连接
out.close();
in.close();
fs.close();
}3、HDFS技术细节
1．HDFS的主要原理
将数据进行切块后进行复制并存储在集群的多个节点中，从而实现了海量数据分布式存储，并通过block副本实现可靠性保证。
其中切出的块称为Block。
负责存放Block的节点称之为DataNode节点。
负责存放元数据的节点称之为NameNode节点。
另外还有一个独立进程称作SecondaryNameNode负责帮助NameNode进行元数据的合并操作。
2．Block
Block是HDFS中存储的基本单位。
当文件被存储到HDFS的过程中，会先将文件按照指定大小来切块即block，复制出指定数量的副本（默认是3个），分布式存储在集群中。2.0版本中Block默认的大小为128M，1.0版本中为64M。
1> 文件切块目的
1.一个大文件切分为小的若干个Block方便分布式的存储在不同磁盘中。
2.屏蔽了数据的区别，只需要面向Block操作，从而简化存储系统。
3.有利于数据的复制。每次复制的是一个体积较小的Block，而不是一个大型文件，效率更高。
如果切分过后，剩余数据不够128MB，则会将剩余数据单独作为一个Block存储，数据多大，Block就多大，128MB只是最大大小，不是固定大小。
例如：
一个256MB文件，共有256/128=2个Block。
一个258MB文件，共有258/128=2余下2MB，则余下的2MB会独占一个Block大小为2MB，则且分出两个128MB的Block和一个2MB的Block。
一个1MB文件，则单独占用一个Block，这个Block为1MB大小。
2>Block副本放置策略
第一个副本：如果是集群内提交，就放置在上传文件的DataNode，如果是集群外就提交，随机选择一台磁盘不太满，cpu不太忙的节点，进行上传。
第二个副本：放置在第一个副本不同机架的节点上。（利用机架感知策略）
第三个副本：放置在与第二个副本相同机架的节点上。
更多副本：随机节点。
机架感知策略：
其实就是在Hadoop的配置文件中添加一个记录ip和主机名映射机架的关系表，通过这张关系表来判断那个主机是不同机架。
3．DataNode
DataNode在整个HDFS中主要是存储数据的功能。数据以Block的形式存放在DataNode中。
DataNode节点会不断向NameNode节点发送心跳报告保持与其联系，心跳报告的频率是3秒一次，在心跳报告中向NameNode报告信息，从心跳响应中接受NameNode的指令，执行对块的复制、移动、删除等操作。
NameNode如果10分钟都没收到DataNode的心跳，则认为该DataNode已经lost，并向其他DataNode发送备份block的指令，完成lost节点中的数据副本的复制，以保证数据副本数量在整个HDFS中是一致的。
所有的DataNode都是主动联系NameNode，NameNode不会主动联系DataNode。
4．NameNode
NameNode维护着HDFS中的元数据信息。同时还兼顾各种外部请求以及DataNode中数据存储的管理。
元数据信息包括：文件信息、目录结构信息、副本数量信息、文件和Block之间关系的信息、Block和DataNode之间的关系信息。数据格式参照如下：
FileName replicas block-Ids id2host
例如：/test/a.log,3,{b1,b2},[{b1:[h0,h1,h3]},{b2:[h0,h2,h4]}]
1>元数据的存储
NameNode中的元数据信息存储在内存和文件中，内存中为实时信息完整信息，文件中为数据镜像作为持久化存储使用，其中block和DataNode之间的关系信息不会在文件中存储。
①内存中的元数据
文件信息、目录结构信息、副本数量信息、文件和Block之间关系的信息、Block和DataNode之间的关系信息。
②文件中的元数据
文件信息、目录结构信息、副本数量信息、文件和Block之间关系的信息。
可以发现文件中的元数据比起内存中缺失了block和DataNode之间的对应关系，这是因为，HDFS集群经常发生变动，DataNode增加或减少都是很正常情况，因此这些信息都是临时在内存中组织的，而不会存储在磁盘镜像文件中。
2> NameNode的文件
①fsimage
元数据镜像文件。存储某NameNode元数据信息，并不是实时同步内存中的数据。
②edits
记录NameNode对数据操作的日志文件。
③fstime
保存最近一次checkpoint的时间。即最后一次元数据合并的时间。
3>工作原理
当有写请求时，NameNode会首先将请求操作写edit log到磁盘edits文件中，成功后才会修改内存，并向客户端返回操作结果。
所以，fsimage中的数据并不是实时的数据，而是在达到条件时要和edits文件合并，合并过程由SecondaryNameNode完成。
之所以不直接改fsimage而是要在edits中记录，是因为记录日志是一种连续的磁盘IO操作，可以节省时间。如果直接修改fsimage文件，会进行大量的不连续的磁盘IO操作，这样会大大降低效率。
5．SecondaryNameNode
SecondaryNameNode并不是NameNode的热备份，而是协助者，帮助NameNode进行元数据的合并。
从另外的角度来看可以提供一定的备份功能，但并不是热备，如果直接使用可能会丢失上一次合并后发生的数据！可以从SecondaryNameNode中恢复部分数据，但是无法恢复全部。
1>合并数据的条件
何时出发数据合并？
根据配置文件设置的时间间隔：fs.checkpoint.period默认3600秒。
根据配置文件设置的edits log大小：fs.checkpoint.size默认64MB。
2>合并过程
①拷贝文件
当达到合并数据的条件后，SecondrayNameNode会将NameNode中的fsimage和edits文件拷贝过来，同时NameNode中会创建一个新的edits.new文件，用于记录新的读写请求。
②合并数据
在SecondrayNameNode中将拷贝过来的fsimage和edits合并为一个新的fsimage.ckpt文件。
③传回数据
SecondrayNameNode将合并完成的fsimage.ckpt文件拷贝回NameNode中，然后删除之前的fsimage文件，将fsimage.ckpt文件更名为fsimage，NameNode将原来edtis文件删除，再将edtis.new改为edits，完成合并工作。
④记录合并操作
最后在fstime文件中添加这次合并的记录。
由于NameNode实时数据都在内存中，此处的合并指的是磁盘中的持久化的数据的处理。
3>应用
判断：snn可以对元数据做一定程度的备份，但是不是热备，对不对？
思考：什么情况下可能造成NameNode元数据信息丢失?
snn并不是nn的热备，但是能保存大部分备份数据。原因就在于edits.new中的数据丢失了就找不回来了
通常NameNode和SecondrayNameNode要放置到不同机器中以此提升性能，并提供一定的元数据安全性。
4、HDFS执行流程
针对HDFS的不同操作，有不同的执行流程，具体介绍如下。
1．HDFS读流程
1>发送请求
使用HDFS提供的客户端开发库Client，向远程的Namenode发起RPC请求；NameNode会检验当前文件是否存在以及当前客户端是否有权限读取该文件，两种检查只中有一种不符合条件，就会抛出异常，不再进行下一步操作。
2>响应资源元数据
如果以上校验没有问题，Namenode会视情况返回文件的部分或者全部block列表，对于每个block，Namenode都会返回有该block副本的DataNode地址。
3>下载资源
客户端开发库Client会选取离客户端最接近(并不是物理上的最近，而是延迟最低负载最低)的DataNode来读取block；如果客户端本身就是DataNode，那么将从本地直接获取数据。
4>资源校验
读取完当前block的数据后，会进行checksum验证，如果读取datanode时出现错误，客户端会通知Namenode，然后再从下一个拥有该block拷贝的datanode继续读。
当读取正确的block数据之后，关闭与当前的DataNode连接，并为读取下一个block寻找最佳的DataNode；当读完列表的block后，且文件读取还没有结束，客户端开发库会继续向Namenode获取下一批的block列表。
5>下载结束告知
当文件最后一个块也都读取完成后，datanode会连接namenode告知关闭文件。
NameNode不参与读取真实数据传输的过程。
2．HDFS的写流程
1>发送请求
使用HDFS提供的客户端开发库Client，向远程的Namenode发起RPC请求；Namenode会检查要创建的文件是否已经存在，创建者是否有权限进行操作，如果这两个条件有一个不符合就会让客户端抛出异常，终止操作。条件验证通过则会为文件创建一个记录。
2>数据切块
当客户端开始写入文件的时候，开发库客户端会将文件切分成多个packets，并在内部以数据队列"data queue"的形式管理这些packets，然后向Namenode申请新的blocks，获取用来存储replicas的合适的datanodes列表，列表的大小根据在Namenode中对replication的设置而定。
3>上传数据
根据DataNode列表连接DataNode节点，开始以pipeline（管道）的形式将packet写入所有的replicas中。客户端把packet以流的方式写入第一个datanode，该datanode把该packet存储之后，再将其传递给在此pipeline中的下一个datanode，直到最后一个datanode完成存储，这种写数据的方式呈流水线的形式。
4>响应上传结果
最后一个datanode成功存储之后会返回一个ack packet，在pipeline里传递至客户端，在客户端的开发库内部维护着"ack queue"，成功收到datanode返回的ack packet后会从"ack queue"移除相应的packet。
如果传输过程中，有某个datanode出现了故障，那么当前的pipeline会被关闭，出现故障的datanode会从当前的pipeline中移除，剩余的block会继续剩下的datanode中继续以pipeline的形式传输，同时Namenode会分配一个新的datanode，保持replicas设定的数量。
5>上传结果告知
当所有的packges都成功的上传后，客户端通知NameNoe文件上传完成，NameNode将该文件置为可用状态，并关闭该文件。
NameNode不参与真实数据存储传输的过程。
3．HDFS的删除流程
1>发送请求
客户端发起请求连接NameNode表示要删除文件，NameNode检查文件是否存在及是否有权限删除文件，如果条件验证不通过，那么抛出异常，终止操作。如果通过则进行下一步操作。
2>执行伪删除操作并响应
NameNode执行元数据的删除，只是将该元数据置为已删除状态，然后向客户端表示文件删除成功。
3>发布删除指令
当保存着这些数据块的DataNode节点向NameNode节点发送心跳时，在心跳响应中，NameNode节点会向DataNode发出指令，要求删除这些block。DataNode收到指令后删除对应的Block。所以在执行完delete方法后的一段时间内，数据块才能被真正的删除掉。
4>彻底删除
当该文件对应的所有block及其副本都被删除后，NameNode中将之前标记为已删除的元数据删除。
4．HDFS的启动流程
1>导入元数据
在HDFS启动时，NameNode先合并fsImage和edits文件，生成新的fsimage和空的edits文件，这个过程是NameNode自己进行的。然后再将fsimage中的数据恢复到内存中，但此时内存中的元数据并不够，还差block和datanode的映射关系，这个信息在fsimage中是不存在的，需要临时在内存中组织出来。
2>整合元数据
此时NameNode等待DataNode的连接，DataNode在启动时会向NameNode发送心跳报告，其中携带自己具有的Block的编号信息，NameNode基于这些信息，在内存中组织元数据信息。
3>开启服务
直到NameNode达到最小启动条件后，进行必要的block副本复制和删除，之后开始对外提供服务。整个这个过程中，HDFS无法正常工作，称之为处在安全模式中。
NameNode最小启动条件：每个Block都至少有了一个副本被找到。
5．安全模式
在启动HDFS时，会立即进入安全模式，此时不能操作hdfs中的文件，只能查看目录文件名等，读写操作都不能进行。
在HDFS正常运行过程中，如果因为意外情况，造成有block找不到任何副本，则HDFS进入安全模式。
org.apache.hadoop.dfs.SafeModeException: Cannot delete /user/hadoop/input. Name node is in safe mode
安全模式其实是HDFS对元数据的一种保护机制，防止意外的操作损坏元数据。
当遇到安全模式，最简单的办法就是等一会。
如果很长时间都无法退出安全模式，则应检查进入安全模式的原因，找到问题的原因解决，则hadoop会自动退出安全模式。
如果非要强制退出安全模式，可以使用如下命令，但是要慎用，一不小心损坏了元数据，hdsf中的数据就都无法使用了：
hadoop dfsadmin -safemode leave慎用！
5、HDFS的优缺点
1．HDFS优点
1> 支持超大文件
支持超大文件。超大文件在这里指的是几百M，几百GB，甚至几TB大小的文件。一般来说hadoop的文件系统会存储TB级别或者PB级别的数据。所以在企业的应用中，数据节点有可能有上千个。
2>检测和快速应对硬件故障
在集群的环境中，硬件故障是常见的问题。因为有上千台服务器连接在一起，这样会导致高故障率。因此故障检测和自动恢复是HDFS文件系统的一个设计目标。
3>流式数据访问
HDFS的数据处理规模比较大，应用一次需要访问大量的数据，同时这些应用一般都是批量处理，而不是用户交互式处理。应用程序能以流的形式访问数据集。主要的是数据的吞吐量，而不是访问速度。
4>简化的一致性模型
大部分HDFS操作文件时，需要一次写入，多次读取。在HDFS中，一个文件一旦经过创建、写入、关闭后，一般就不需要修改了。这样简单的一致性模型，有利于提高吞吐量。
5>高容错性
数据自动保存多个副本，副本丢失后自动恢复。
6>可构建在廉价机器上
构建在廉价机器上，可以轻松的通过扩展机器数量，来近乎线性的提高集群存储能力。
2．HDFS缺点
1>不能做到低延迟数据访问
低延迟数据如：和用户进行交互的应用，需要数据在毫秒或秒的范围内得到响应。由于hadoop针对高数据吞吐量做了优化，牺牲了获取数据的延迟，所以对于低延迟来说，不适合用hadoop来做。
2>大量的小文件会影响性能
HDFS支持超大的文件，是通过数据分布在数据节点，数据的元数据保存在名字节点上。名字节点的内存大小，决定了HDFS文件系统可保存的文件数量。虽然现在的系统内存都比较大，但大量的小文件还是会影响名字节点的性能。
3>不支持多用户写入文件、修改文件
HDFS的文件只能有一次写入，不支持修改和追加写入（2.0版本支持追加），也不支持修改。只有这样数据的吞吐量才能大。
4>不支持超强的事务
没有像关系型数据库那样，对事务有强有力的支持。