目录
一、HDFS 概述
1.1 HDFS 产出背景及定义
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（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
优点分析：
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：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。
缺点分析：
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；
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；
1.3 HDFS 组成架构
NameNode（nn）：就是Master，它是一个主管、管理者。
（1）管理HDFS的名称空间；
（2）配置副本策略；
（3）管理数据块（Block）映射信息；
（4）处理客户端读写请求。
DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作。
（1）存储实际的数据块；
（2）执行数据块的读/写操作。
Client：就是客户端。
（1）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；
（2）与NameNode交互，获取文件的位置信息；
（3）与DataNode交互，读取或者写入数据；
（4）Client提供一些命令来管理HDFS，比如NameNode格式化；
（5）Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；
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。
（1）辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；
（2）在紧急情况下，可辅助恢复NameNode。
1.4 HDFS 文件块大小
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。
HDFS块的大小设置主要取决于磁盘传输速率。
二、HDFS 的Shell 操作
hadoop fs 具体命令 OR hdfs dfs 具体命令：
1. -ls: 显示目录信息
hadoop fs -ls / sanguo| 命令 | 作用 | 示例 |
|---|---|---|
hadoop fs -ls <路径> |
列出目录内容 | hadoop fs -ls /user/hadoop |
hadoop fs -mkdir <路径> |
创建目录 | hadoop fs -mkdir /data |
hadoop fs -put <本地路径> <HDFS路径> |
上传文件 | hadoop fs -put file.txt /data/ |
hadoop fs -get <HDFS路径> <本地路径> |
下载文件 | hadoop fs -get /data/file.txt ./ |
hadoop fs -cat <文件路径> |
查看文件内容 | hadoop fs -cat /data/file.txt |
hadoop fs -rm <文件路径> |
删除文件 | hadoop fs -rm /data/file.txt |
hadoop fs -rm -r <目录路径> |
递归删除目录 | hadoop fs -rm -r /data/old |
| 命令 | 作用 | 示例 |
|---|---|---|
hadoop fs -mv <源路径> <目标路径> |
移动/重命名文件 | hadoop fs -mv /data/file.txt /data/newname.txt |
hadoop fs -cp <源路径> <目标路径> |
复制文件 | hadoop fs -cp /data/file.txt /backup/ |
hadoop fs -du -h <路径> |
查看文件/目录大小 | hadoop fs -du -h /data |
hadoop fs -tail <文件路径> |
查看文件末尾内容 | hadoop fs -tail /data/log.txt |
| 命令 | 作用 | 示例 |
|---|---|---|
hadoop fs -chmod <权限> <路径> |
修改权限 | hadoop fs -chmod 755 /data/file.txt |
hadoop fs -chown <用户:组> <路径> |
修改所有者 | hadoop fs -chown hadoop:hadoop /data |
hadoop fs -stat <格式> <路径> |
查看文件状态 | hadoop fs -stat "%F %u %g" /data/file.txt |
三、HDFS 的读写流程（面试重点）
3.1 HDFS 写数据流程
（1）客户端通过Distributed FileSystem 模块向NameNode 请求上传文件，NameNode 检查目标文件是否已存在，父目录是否存在。
（2）NameNode 返回是否可以上传。
（3）客户端请求第一个 Block 上传到哪几个DataNode 服务器上。
（4）NameNode 返回3 个DataNode 节点，分别为dn1、dn2、dn3。
（5）客户端通过FSDataOutputStream 模块请求dn1 上传数据，dn1 收到请求会继续调用dn2，然后dn2 调用dn3，将这个通信管道建立完成。
（6）dn1、dn2、dn3 逐级应答客户端。
（7）客户端开始往dn1 上传第一个Block（先从磁盘读取数据放到一个本地内存缓存），以Packet 为单位，dn1 收到一个Packet 就会传给dn2，dn2 传给dn3；dn1 每传一个packet会放入一个应答队列等待应答。
（8）当一个Block 传输完成之后，客户端再次请求NameNode 上传第二个Block 的服务器。（重复执行3-7 步）。
3.2 HDFS 读数据流程
（1）客户端通过DistributedFileSystem 向NameNode 请求下载文件，NameNode 通过查询元数据，找到文件块所在的DataNode 地址。
（2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
（3）DataNode 开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet 为单位来做校验）。
（4）客户端以Packet 为单位接收，先在本地缓存，然后写入目标文件。
四、DataNode
4.1 DataNode 的工作机制
（1）一个数据块在DataNode 上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。
（2）DataNode 启动后向NameNode 注册，通过后，周期性（6 小时）的向NameNode 上报所有的块信息。
（3）心跳是每3 秒一次，心跳返回结果带有NameNode 给该DataNode 的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10 分钟没有收到某个DataNode 的心跳，则认为该节点不可用。
（4）集群运行中可以安全加入和退出一些机器。
4.2 数据完整性
DataNode 节点上的数据损坏了，却没有发现，是否也很危险，那么如何解决呢？如下是DataNode 节点保证数据完整性的方法。
（1）当DataNode 读取Block 的时候，它会计算CheckSum。
（2）如果计算后的CheckSum，与Block 创建时值不一样，说明Block 已经损坏。
（3）Client 读取其他DataNode 上的Block。
（4）常见的校验算法crc（32），md5（128），sha1（160）
（5）DataNode 在其文件创建后周期验证CheckSum。
