最通熟易懂的Hadoop HDFS实践攻略大全
本文主要帮您解决一下几个问题：
-
HDFS是用来解决什么问题？怎么解决的？
-
如何在命令行下操作HDFS？
-
如何使用Java API来操作HDFS？
-
在了解基本思路和操作方法后，进一步深究HDFS具体的读写数据流程
学习并实践本文教程后，可以对HDFS有比较清晰的认识，并可以进行熟练操作，为后续学习hadoop体系打好基础。
目录：
理论部分
-
HDFS 基本原理
-
文件读取、写入机制
-
元数据管理思路
实践部分
-
安装实践环境
-
Shell 命令行操作方式
-
Java API操作方式
一、HDFS基本原理
HDFS（Hadoop Distribute File System）是一个分布式文件系统，是Hadoop的重要成员。
1、文件系统的问题
文件系统是操作系统提供的磁盘空间管理服务，只需要我们制定把文件放到哪儿，从哪个路径读取文件就可以了，不用关心文件在磁盘上是如何存放的。
当文件所需空间大于本机磁盘空间时，如何处理呢？
一是加磁盘，但是加到一定程度就有限制了；二是加机器，用远程共享目录的方式提供网络化的存储，这种方式可以理解为分布式文件系统的雏形，可以把不同文件放入不同的机器中，空间不足了可继续加机器，突破了存储空间的限制。但这个方式有多个问题：
-
单机负载可能极高
例如某个文件是热门，很多用户经常读取这个文件，就使得次文件所在机器的访问压力极高。
-
数据不安全
如果某个文件所在的机器出现故障，这个文件就不能访问了，可靠性很差。
-
文件整理困难
例如想把一些文件的存储位置进行调整，就需要看目标机器的空间是否够用，并且需要自己维护文件位置，如果机器非常多，操作就极为复杂。
2、HDFS 的解决思路
HDFS是个抽象层，底层依赖很多独立的服务器，对外提供统一的文件管理功能，对于用户来讲，感觉就像在操作一台机器，感受不到HDFS下面的多台服务器。
例如用户访问HDFS中的/a/b/c.mpg这个文件，HDFS负责从底层相应服务器中读取，然后返回给用户，这样用户只需和HDFS打交道，不关心这个文件是怎么存储的。
例如用户需要保存一个文件/a/b/xxx.avi。
HDFS首先会把这个文件进行分割，例如分为4块，然后分别放到不同服务器上。
这样做有个好处，不怕文件太大，并且读文件的压力不会全部集中在一台服务器上。但如果某台服务器坏了，文件就读不全了。
HDFS为保证文件可靠性，会把每个文件块进行多个备份：
-
块1：A B C
-
块2：A B D
-
块3：B C D
-
块4：A C D
这样文件的可靠性就大大增强了，即使某个服务器坏了，也可以完整读取文件。
同时还带来一个很大的好处，就是增加了文件的并发访问能力，比如多个用户读取这个文件时，都要读块1，HDFS可以根据服务器的繁忙程度，选择从那台服务器读块1。
3、元数据的管理
HDFS中存了哪些文件？
文件被分成了哪些块？
每个块被放在哪台服务器上？
……
这些都叫做元数据，这些元数据被抽象为一个目录树，记录了这些复杂的对应关系。这些元数据由一个单独的模块进行管理，这个模块叫做NameNode。存放文件块的真实服务器叫做DataNode，所以用户访问HDFS的过程可以理解为：
用户-> HDFS -> NameNode -> DataNode
4、HDFS 优点
-
容量可以线性扩展
-
有副本机制，存储可靠性高，吞吐量增大
-
有了NameNode后，用户访问文件只需指定HDFS上的路径
二、HDFS实践
经过上面介绍，可以对HDFS有个基本的了解，下面开始进行实际操作，在实践中更好的认识HDFS。
1 、安装实践环境
您可以选择自己搭建环境，也可以使用打包好的Hadoop环境（版本2.7.3）
这个Hadoop环境实际上是一个虚机镜像，所以需要安装virtualbox虚拟机、vagrant镜像管理工具，和我的Hadoop镜像，然后用这个镜像启动虚机就可以了，下面是具体操作步骤：
1）安装virtualbox
下载地址： https://www.virtualbox.org/wiki/Downloads
2）安装vagrant
因为官网下载较慢，我上传到了云盘
Windows版
链接: https://pan.baidu.com/s/1pKKQGHl
密码: eykr
Mac版
链接: https://pan.baidu.com/s/1slts9yt
密码: aig4
安装完成后，在命令行终端下就可以使用vagrant命令。
3）下载Hadoop镜像
链接: https://pan.baidu.com/s/1bpaisnd
密码: pn6c
4）启动
加载Hadoop镜像
vagrant box add {自定义镜像名称} {镜像所在路径}
例如您想命名为Hadoop，镜像下载后的路径为d:/hadoop.box，加载命令就是这样：
vagrant box add hadoop d:/hadoop .box
创建工作目录，例如d:/hdfstest。
进入此目录，初始化
cd d:/hdfstest
vagrant init hadoop
启动虚机
vagrant up
启动完成后，就可以使用SSH客户端登录虚机了
IP 127.0.0.1
端口 2222
用户名 root
密码 vagrant
登录后使用命令ifconfig 查看本虚机的IP（如 192.168.31.239 ），可以使用此IP和端口22登录了
IP 192.168.31.239
端口 22
用户名 root
密码 vagrant
Hadoop服务器环境搭建完成。
2 、Shell命令行操作
登录Hadoop服务器后，先启动HDFS，执行命令：
start-dfs.sh
-
查看帮助
hdfs dfs –help
显示目录信息
-ls 后面是要查看的目录路径
创建目录
创建目录/test
hdfs dfs -mkdir /test
一次创建多级目录/aa/bb
hdfs dfs -mkdir -p /aa/bb
-
上传文件
形式
hdfs dfs -put {本地路径} {hdfs中的路径}
实例（先创建好一个测试文件 mytest.txt，内容随意，然后上传到/test ）
hadoop fs -put ~/mytest.txt /test
-
显示文件内容
hdfs dfs -cat /test/mytest.txt
-
下载文件
hdfs dfs -get /test/mytest.txt ./mytest2.txt
-
合并下载
先创建2个测试文件（log.access, log.error），内容随意，使用-put上传到 /test目录下
hdfs dfs -put log.* /test
然后把2个log文件合并下载到一个文件中
hdfs dfs -getmerge /test/log.* ./log
查看本地log文件内容，应该包含 log.access 与 log.error两个文件的内容。
-
复制
从HDFS的一个路径拷贝HDFS的另一个路径
hdfs dfs -cp /test/mytest.txt /aa/mytest.txt.2
验证
hdfs dfs -ls /aa
-
移动文件
hdfs dfs -mv /aa/mytest.txt.2 /aa/bb
验证
hdfs dfs -ls /aa/bb
应列出mytest.txt.2。
-
删除
hdfs dfs -rm -r /aa/bb/mytest.txt.2
使用-r参数可以一次删除多级目录。
验证
hdfs dfs -ls /aa/bb
应为空
-
修改文件权限
与Linux文件系统中的用法一样，修改文件所属权限
-chgrp
-chmod
-chown
示例
hdfs dfs -chmod 666 /test/mytest.txt
hdfs dfs -chown someuser:somegrp /test/mytest.txt
-
统计文件系统的可用空间
hdfs dfs -df -h /
-
统计文件夹的大小
hdfs dfs -du -s -h /test
3 、Java API操作
（1）环境配置
因为需要在本机链接Hadoop虚机服务器，所以需要配置Hadoop，使其可以被外部访问。
先登录Hadoop虚机服务器，然后：
1）查看本机IP
ip address
例如IP为：192.168.31.239
2）修改文件：
vi /usr/local/hadoop-2.7.3/etc/hadoop/core-site.xml
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
把其中的localhost:9000修改为本机IP 192.168.31.239:9000
3）重新启动HDFS
#停止
stop-dfs.sh
#启动
start-dfs.sh
（2）搭建开发环境
1）新建项目目录hdfstest
2）在项目目录下创建pom.xml
内容：
3）创建源码目录 src/main/java
现在项目目录结构
├── pom.xml
!"" src
│ └── main
│ └── java
（3）示例代码
查看文件列表ls
1）新建文件src/main/java/Ls.java
列出/下的文件列表，及递归获取所有文件
2）编译执行
mvn compile
mvn exec:java -Dexec.mainClass="Ls" -Dexec.cleanupDaemonThreads
=false
创建目录mkdir
在HDFS中创建目录/mkdir/a/b
1）新建文件
src/main/java/Mkdir.java
2）编译执行
mvn compile
mvn exec:java -Dexec.mainClass="Mkdir" -Dexec.cleanupDaemonThre
ads=false
3）在服务器中使用HDFS命令验证
hdfs dfs -ls /mkdir
上传文件put
在当前项目目录下新建测试文件，上传到HDFS中的/mkdir
1）在项目目录下创建测试文件testfile.txt，内容随意
2）新建文件src/main/java/Put.java
3）编译执行
mvn compile
mvn exec:java -Dexec.mainClass="Put" -Dexec.cleanupDaemonThread
s=false
4）在服务器中使用HDFS命令验证
hdfs dfs -ls /mkdir
hdfs dfs -cat /mkdir/testfile.txt
下载文件get
1）新建文件src/main/java/Get.java
把HDFS中/mkdir/testfile.txt下载到当前项目目录下
2）编译执行
mvn compile
mvn exec:java -Dexec.mainClass="Get" -Dexec.cleanupDaemonThread
s=false
3）查看项目目录下是否存在 testfile2.txt及其内容
删除文件delete
删除HDFS上之前上传的/mkdir/testfile.txt
1）新建文件src/main/java/Del.java
2）编译执行
mvn compile
mvn exec:java -Dexec.mainClass="Del" -Dexec.cleanupDaemonThread
s=false
3）在服务器中使用HDFS命令验证，检查testfile.txt是否被删除
hdfs dfs -ls /mkdir
重命名rename
把HDFS中的/mkdir/a重命名为/mkdir/a2
1）新建文件src/main/java/Rename.java
2）编译执行
mvn compile
mvn exec:java -Dexec.mainClass="Rename" -Dexec.cleanupDaemonThr
eads=false
3）在服务器中使用HDFS命令验证
hdfs dfs -ls /mkdir
流方式读取文件部分内容
上传一个文本文件，然后使用流方式读取部分内容保存到当前项目目录。
1）在服务器中创建一个测试文件test.txt，内容：
123456789abcdefghijklmn
上传到HDFS
hdfs dfs -put test.txt /
2）在本地项目中新建文件src/main/java/StreamGet.java
2）编译执行
mvn compile
mvn exec:java -Dexec.mainClass="StreamGet" -Dexec.cleanupDaemon
Threads=false
3）执行后查看项目目录下的test.txt.part2
6789abcdefghijklmn
前面的12345已经被略过
三、深入了解
1 、写入机制
向HDFS中写入文件时，是按照块儿为单位的，client会根据配置中设置的块儿的大小把目标文件切为多块，例如文件是300M ,配置中块大小值为128M，那么就分为3块儿。
具体写入流程：
-
client向namenode发请求，说想要上传文件
-
namenode会检查目标文件是否存在、父目录是否存在，检查没有问题后返回确认信息
-
client再发请求，问第一个block应该传到哪些datanode上
-
namenode经过衡量，返回3个可用的datanode（A，B，C）
-
client与A建立连接，A与B建立连接，B与C建立连接，形成一个pipeline
-
传输管道建立完成后，client开始向A发送数据包，此数据包会经过管道一次传递到B和C
-
当第一个block的数据都传完以后，client再向namenode请求第二个block上传到哪些datanode，然后建立传输管道发送数据
-
就这样，直到client把文件全部上传完成
2、读取机制
-
Client把要读取的文件路径发给namenode，查询元数据，找到文件块所在的datanode服务器
-
Client直到了文件包含哪几块儿、每一块儿在哪些datanode上，就选择那些离自己进的datanode（在同一机房，如果有多个离着近的，就随机选择），请求简历socket流
-
从datanode获取数据
-
Client接收数据包，先本地缓存，然后写入目标文件
-
直到文件读取完成
3、NameNode机制
通过对HDFS读写流程的了解，可以发现namenode是一个很重要的部分，它记录着整个HDFS系统的元数据，这些元数据是需要持久化的，要保存到文件中。
Namenode还要承受巨大的访问量，client读写文件时都需要请求namenode，写文件时要修改元数据，读文件时要查询元数据。
为了提高效率，namenode便将元数据加载到内存中，每次修改时，直接修改内存，而不是直接修改文件，同时会记录下操作日志，供后期修改文件时使用。
这样，namenode对数据的管理就涉及到了3种存储形式：
-
内存数据
-
元数据文件
-
操作日志文件
namenode需要定期对元数据文件和日志文件进行整合，以保证文件中数据是新的，但这个过程很消耗性能，namenode需要快速地响应client的大量请求，很难去完成文件整合操作，这时就引入了一个小助手secondnamenode。
secondnamenode会定期从namenode中下载元数据文件和操作日志，进行整合，形成新的数据文件，然后传回namenode，并替换掉之前的旧文件。
secondnamenode是namenode的好帮手，替namenode完成了这个重体力活儿，并且还可以作为namenode的一个防灾备份，当namenode数据丢失时，secondnamenode上有最近一次整理好的数据文件，可以传给namenode进行加载，这样可以保证最少的数据丢失。
小结
HDFS的基础内容介绍完了，希望可以帮助您快速熟悉HDFS的思路和使用方式。如有批评与建议（例如内容有误、不足的地方、改进建议等），欢迎留言讨论。
大数据时代，Hadoop培训、大数据培训、培训班，就选光环大数据！
大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。 更多问题咨询，欢迎点击------>>>>在线客服！
