HDFS 入門和基本操作

1、HDFS 是做什麼的

　　Hadoop實現了一個分佈式文件系統（Hadoop Distributed File System），簡稱HDFS，hdfs是分佈式計算中數據存儲管理的基礎，是基於流數據模式訪問和處理超大文件的需求而開發的，可以運行於廉價的商用服務器上。它所具有的高容錯、高可靠性、高可擴展性、高獲得性、高吞吐率等特徵爲海量數據提供了不怕故障的存儲，爲超大數據集（Large Data Set）的應用處理帶來了很多便利。

2、爲什麼選擇 HDFS 存儲數據

　之所以選擇 HDFS 存儲數據，因爲 HDFS 具有以下優點：

1、高容錯性

數據自動保存多個副本。它通過增加副本的形式，提高容錯性。

某一個副本丟失以後，它可以自動恢復，這是由 HDFS 內部機制實現的，我們不必關心。

2、適合批處理

它是通過移動計算而不是移動數據。

它會把數據位置暴露給計算框架。

3、適合大數據處理

     處理數據達到 GB、TB、甚至PB級別的數據。

能夠處理百萬規模以上的文件數量，數量相當之大。

能夠處理10K節點的規模。

4、流式文件訪問

一次寫入，多次讀取。文件一旦寫入不能修改，只能追加。

它能保證數據的一致性。

　　5、可構建在廉價機器上

它通過多副本機制，提高可靠性。

它提供了容錯和恢復機制。比如某一個副本丟失，可以通過其它副本來恢復。

　　當然 HDFS 也有它的劣勢，並不適合所有的場合：

1、低延時數據訪問

比如毫秒級的來存儲數據，這是不行的，它做不到。

它適合高吞吐率的場景，就是在某一時間內寫入大量的數據。但是它在低延時的情況下是不行的，比如毫秒級以內讀取數據，這樣它是很難做到的。

2、小文件存儲

存儲大量小文件(這裏的小文件是指小於HDFS系統的Block大小的文件（默認64M）)的話，它會佔用 NameNode大量的內存來存儲文件、目錄和塊信息。這樣是不可取的，因爲NameNode的內存總是有限的

小文件存儲的尋道時間會超過讀取時間，它違反了HDFS的設計目標。

3、併發寫入、文件隨機修改

一個文件只能有一個寫，不允許多個線程同時寫。

僅支持數據 append（追加），不支持文件的隨機修改。

3、內部結構

HDFS 如何上傳數據

HDFS 採用Master/Slave的架構來存儲數據，這種架構主要由四個部分組成，分別爲HDFS Client、NameNode、DataNode和Secondary NameNode。下面我們分別介紹這四個組成部分

1、Client：就是客戶端。

文件切分。文件上傳 HDFS 的時候，Client 將文件切分成一個一個的Block，然後進行存儲。
與 NameNode 交互，獲取文件的位置信息。
與 DataNode 交互，讀取或者寫入數據。
Client 提供一些命令來管理 HDFS，比如啓動或者關閉HDFS。
Client 可以通過一些命令來訪問 HDFS。

2、NameNode：就是 master，它是一個主管、管理者。

管理 HDFS 的名稱空間
管理數據塊（Block）映射信息
配置副本策略
處理客戶端讀寫請求。

3、DataNode：就是Slave。NameNode 下達命令，DataNode 執行實際的操作。

存儲實際的數據塊。
執行數據塊的讀/寫操作。

4、Secondary NameNode：並非 NameNode 的熱備。當NameNode 掛掉的時候，它並不能馬上替換 NameNode 並提供服務。

輔助 NameNode，分擔其工作量。
定期合併 fsimage和fsedits，並推送給NameNode。
在緊急情況下，可輔助恢復 NameNode。

5、HDFS 如何讀取文件

HDFS的文件讀取原理，主要包括以下幾個步驟：

首先調用FileSystem對象的open方法，其實獲取的是一個DistributedFileSystem的實例。
DistributedFileSystem通過RPC(遠程過程調用)獲得文件的第一批block的locations，同一block按照重複數會返回多個locations，這些locations按照hadoop拓撲結構排序，距離客戶端近的排在前面。
前兩步會返回一個FSDataInputStream對象，該對象會被封裝成 DFSInputStream對象，DFSInputStream可以方便的管理datanode和namenode數據流。客戶端調用read方法，DFSInputStream就會找出離客戶端最近的datanode並連接datanode。
數據從datanode源源不斷的流向客戶端。
如果第一個block塊的數據讀完了，就會關閉指向第一個block塊的datanode連接，接着讀取下一個block塊。這些操作對客戶端來說是透明的，從客戶端的角度來看只是讀一個持續不斷的流。
如果第一批block都讀完了，DFSInputStream就會去namenode拿下一批blocks的location，然後繼續讀，如果所有的block塊都讀完，這時就會關閉掉所有的流。

6、HDFS 如何寫入文件

HDFS的文件寫入原理，主要包括以下幾個步驟：

客戶端通過調用 DistributedFileSystem 的create方法，創建一個新的文件。
DistributedFileSystem 通過 RPC（遠程過程調用）調用 NameNode，去創建一個沒有blocks關聯的新文件。創建前，NameNode 會做各種校驗，比如文件是否存在，客戶端有無權限去創建等。如果校驗通過，NameNode 就會記錄下新文件，否則就會拋出IO異常。
前兩步結束後會返回 FSDataOutputStream 的對象，和讀文件的時候相似，FSDataOutputStream 被封裝成 DFSOutputStream，DFSOutputStream 可以協調 NameNode和 DataNode。客戶端開始寫數據到DFSOutputStream,DFSOutputStream會把數據切成一個個小packet，然後排成隊列 data queue。
DataStreamer 會去處理接受 data queue，它先問詢 NameNode 這個新的 block 最適合存儲的在哪幾個DataNode裏，比如重複數是3，那麼就找到3個最適合的 DataNode，把它們排成一個 pipeline。DataStreamer 把 packet 按隊列輸出到管道的第一個 DataNode 中，第一個 DataNode又把 packet 輸出到第二個 DataNode 中，以此類推。
DFSOutputStream 還有一個隊列叫 ack queue，也是由 packet 組成，等待DataNode的收到響應，當pipeline中的所有DataNode都表示已經收到的時候，這時akc queue纔會把對應的packet包移除掉。
客戶端完成寫數據後，調用close方法關閉寫入流。
DataStreamer 把剩餘的包都刷到 pipeline 裏，然後等待 ack 信息，收到最後一個 ack 後，通知 DataNode 把文件標示爲已完成。

7、命令行接口

兩個屬性項： fs.default.name 用來設置Hadoop的默認文件系統，設置hdfs URL則是配置HDFS爲Hadoop的默認文件系統。dfs.replication 設置文件系統塊的副本個數

文件系統的基本操作：hadoop fs -help可以獲取所有的命令及其解釋

常用的有：

hadoop fs -ls / 列出hdfs文件系統根目錄下的目錄和文件
hadoop fs -put<local path> <hdfs path> 從本地文件系統將一個文件上傳到HDFS
hadoop fs -get<hdfs path> <local path> 從本地文件系統將一個文件上傳到HDFS
hadoop fs -rm -r <hdfs dir or file> 刪除文件或文件夾及文件夾下的文件
hadoop fs -mkdir <hdfs dir>在hdfs中新建文件夾

操作路程

cd hadoop.2.5.2
cd sbin
./start-all.sh //啓動hdfs服務，yarn服務
cd ..
cd bin
./haoop dfs –ls / 解釋：./hdfs 是hdfs命令 dfs參數表示在hadoop裏有效 –ls /顯示hdfs根目錄
./haoop dfs –rm /test/count/SUCCESS //刪除/test/count目錄裏的SUCCESS文件
./haoop dfs –rmr /test/count/output //刪除/test/count/output目錄
./haoop dfs –mkdir /test/count/input //創建/test/count/input目錄
從linux的共享文件夾取得要分析的文件，上傳到 hdfs

./hadoop fs –put /mnt/hgfs/share/phone.txt /test/network
執行代碼分析，

./hadoop jar /mnt/hgfs/share/mobile.jar com.wanho.hadoopmobile.PhoneDriver
將產生的結果，傳回linux的共享文件夾

./hadoop fs –get /test/network/output1 /mnt/hgfs/share