這是一篇最通熟易懂的Hadoop HDFS實踐攻略！
本文主要幫您解決一下幾個問題：
- HDFS是用來解決什么問題?怎么解決的?
- 如何在命令行下操作HDFS?
- 如何使用Java API來操作HDFS?
- 在了解基本思路和操作方法后，進一步深究HDFS具體的讀寫數據流程
學習并實踐本文教程后，可以對HDFS有比較清晰的認識，并可以進行熟練操作，為后續學習Hadoop體系打好基礎。
目錄：
理論部分
- HDFS 基本原理
- 文件讀取、寫入機制
- 元數據管理思路
實踐部分
- 安裝實踐環境
- 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)是一個分布式文件系統，是Hadoop的重要成員。
1、文件系統的問題
文件系統是操作系統提供的磁盤空間管理服務，只需要我們制定把文件放到哪兒，從哪個路徑讀取文件就可以了，不用關心文件在磁盤上是如何存放的。
當文件所需空間大于本機磁盤空間時，如何處理呢?
一是加磁盤，但是加到一定程度就有限制了;二是加機器，用遠程共享目錄的方式提供網絡化的存儲，這種方式可以理解為分布式文件系統的雛形，可以把不同文件放入不同的機器中，空間不足了可繼續加機器，突破了存儲空間的限制。但這個方式有多個問題：
- 單機負載可能極高例如某個文件是熱門，很多用戶經常讀取這個文件，就使得次文件所在機器的訪問壓力極高。
- 數據不安全如果某個文件所在的機器出現故障，這個文件就不能訪問了，可靠性很差。
- 文件整理困難例如想把一些文件的存儲位置進行調整，就需要看目標機器的空間是否夠用，并且需要自己維護文件位置，如果機器非常多，操作就極為復雜。
2、HDFS的解決思路
HDFS是個抽象層，底層依賴很多獨立的服務器，對外提供統一的文件管理功能，對于用戶來講，感覺就像在操作一臺機器，感受不到HDFS下面的多臺服務器。
例如用戶訪問HDFS中的/a/b/c.mpg這個文件，HDFS負責從底層相應服務器中讀取，然后返回給用戶，這樣用戶只需和HDFS打交道，不關心這個文件是怎么存儲的。
例如用戶需要保存一個文件/a/b/xxx.avi。
HDFS首先會把這個文件進行分割，例如分為4塊，然后分別放到不同服務器上。
這樣做有個好處，不怕文件太大，并且讀文件的壓力不會全部集中在一臺服務器上。但如果某臺服務器壞了，文件就讀不全了。
HDFS為保證文件可靠性，會把每個文件塊進行多個備份：
塊1：A B C
塊2：A B D
塊3：B C D
塊4：A C D
這樣文件的可靠性就大大增強了，即使某個服務器壞了，也可以完整讀取文件。
同時還帶來一個很大的好處，就是增加了文件的并發訪問能力，比如多個用戶讀取這個文件時，都要讀塊1，HDFS可以根據服務器的繁忙程度，選擇從那臺服務器讀塊1。
3、元數據的管理
HDFS中存了哪些文件?
文件被分成了哪些塊?
每個塊被放在哪臺服務器上?
……
這些都叫做元數據，這些元數據被抽象為一個目錄樹，記錄了這些復雜的對應關系。這些元數據由一個單獨的模塊進行管理，這個模塊叫做NameNode。存放文件塊的真實服務器叫做DataNode，所以用戶訪問HDFS的過程可以理解為：
用戶-> HDFS -> NameNode -> DataNode
4、HDFS優點
容量可以線性擴展
有副本機制，存儲可靠性高，吞吐量增大
有了NameNode后，用戶訪問文件只需指定HDFS上的路徑
二、HDFS實踐
經過上面介紹，可以對HDFS有個基本的了解，下面開始進行實際操作，在實踐中更好的認識HDFS。
1、安裝實踐環境
您可以選擇自己搭建環境，也可以使用打包好的Hadoop環境(版本2.7.3)
這個Hadoop環境實際上是一個虛機鏡像，所以需要安裝virtualbox虛擬機、vagrant鏡像管理工具，和我的Hadoop鏡像，然后用這個鏡像啟動虛機就可以了，下面是具體操作步驟：
1)安裝virtualbox
下載地址：https://www.virtualbox.org/wiki/Downloads
2)安裝vagrant
因為官網下載較慢，我上傳到了云盤
Windows版
鏈接: https://pan.baidu.com/s/1pKKQGHl
密碼: eykr
Mac版
鏈接: https://pan.baidu.com/s/1slts9yt
密碼: aig4
安裝完成后，在命令行終端下就可以使用vagrant命令。
3)下載Hadoop鏡像
鏈接: https://pan.baidu.com/s/1bpaisnd
密碼: pn6c
4)啟動
加載Hadoop鏡像
vagrant box add {自定義鏡像名稱} {鏡像所在路徑}
例如您想命名為Hadoop，鏡像下載后的路徑為d:\hadoop.box，加載命令就是這樣：
vagrant box add hadoop d:\hadoop.box
創建工作目錄，例如d:\hdfstest。
進入此目錄，初始化
- cd d:\hdfstest
- vagrant init hadoop
啟動虛機
- vagrant up
啟動完成后，就可以使用SSH客戶端登錄虛機了
IP 127.0.0.1
端口 2222
用戶名 root
密碼 vagrant
登錄后使用命令ifconfig 查看本虛機的IP(如192.168.31.239)，可以使用此IP和端口22登錄了
IP 192.168.31.239
端口 22
用戶名 root
密碼 vagrant
Hadoop服務器環境搭建完成。
2、Shell命令行操作
登錄Hadoop服務器后，先啟動HDFS，執行命令：
- start-dfs.sh
查看幫助
- hdfs dfs –help
顯示目錄信息
-ls 后面是要查看的目錄路徑
創建目錄
創建目錄/test
- hdfs dfs -mkdir /test
一次創建多級目錄/aa/bb
- hdfs dfs -mkdir -p /aa/bb
上傳文件
形式
hdfs dfs -put {本地路徑} {hdfs中的路徑}
實例(先創建好一個測試文件mytest.txt，內容隨意，然后上傳到/test)
- hadoop fs -put ~/mytest.txt /test
顯示文件內容
- hdfs dfs -cat /test/mytest.txt
下載文件
- hdfs dfs -get /test/mytest.txt ./mytest2.txt
合并下載
先創建2個測試文件(log.access, log.error)，內容隨意，使用-put上傳到/test目錄下
- hdfs dfs -put log.* /test
然后把2個log文件合并下載到一個文件中
- hdfs dfs -getmerge /test/log.* ./log
查看本地log文件內容，應該包含log.access與log.error兩個文件的內容。
復制
從HDFS的一個路徑拷貝HDFS的另一個路徑
- hdfs dfs -cp /test/mytest.txt /aa/mytest.txt.2
驗證
- hdfs dfs -ls /aa
移動文件
- hdfs dfs -mv /aa/mytest.txt.2 /aa/bb
驗證
- hdfs dfs -ls /aa/bb
應列出mytest.txt.2。
刪除
- hdfs dfs -rm -r /aa/bb/mytest.txt.2
使用-r參數可以一次刪除多級目錄。
驗證
- hdfs dfs -ls /aa/bb
應為空
修改文件權限
與Linux文件系統中的用法一樣，修改文件所屬權限
- -chgrp
- -chmod
- -chown
示例
- hdfs dfs -chmod 666 /test/mytest.txt
- hdfs dfs -chown someuser:somegrp /test/mytest.txt
統計文件系統的可用空間
- hdfs dfs -df -h /
統計文件夾的大小
- hdfs dfs -du -s -h /test
3、Java API操作
(1)環境配置
因為需要在本機鏈接Hadoop虛機服務器，所以需要配置Hadoop，使其可以被外部訪問。
先登錄Hadoop虛機服務器，然后：
1)查看本機IP
- ip address
例如IP為：192.168.31.239
2)修改文件：
- vi /usr/local/hadoop-2.7.3/etc/hadoop/core-site.xml
- fs.defaultFS
- hdfs://localhost:9000
把其中的localhost:9000修改為本機IP 192.168.31.239:9000
3)重新啟動HDFS
#停止
- stop-dfs.sh
#啟動
start-dfs.sh
(2)搭建開發環境
1)新建項目目錄hdfstest
2)在項目目錄下創建pom.xml
內容：
3)創建源碼目錄src/main/java
現在項目目錄結構
- ├── pom.xml
- !"" src
- │ └── main
- │ └── java
(3)示例代碼
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，及遞歸獲取所有文件
2)編譯執行
- mvn compile
- mvn exec:java -Dexec.mainClass="Ls" -Dexec.cleanupDaemonThreads
- =false
創建目錄mkdir
在HDFS中創建目錄/mkdir/a/b
1)新建文件
- src/main/java/Mkdir.java
2)編譯執行
- mvn compile
- mvn exec:java -Dexec.mainClass="Mkdir" -Dexec.cleanupDaemonThre
- ads=false
3)在服務器中使用HDFS命令驗證
- hdfs dfs -ls /mkdir
上傳文件put
在當前項目目錄下新建測試文件，上傳到HDFS中的/mkdir
1)在項目目錄下創建測試文件testfile.txt，內容隨意
2)新建文件src/main/java/Put.java
3)編譯執行
- mvn compile
- mvn exec:java -Dexec.mainClass="Put" -Dexec.cleanupDaemonThread
- s=false
4)在服務器中使用HDFS命令驗證
- hdfs dfs -ls /mkdir
- hdfs dfs -cat /mkdir/testfile.txt
下載文件get
1)新建文件src/main/java/Get.java
把HDFS中/mkdir/testfile.txt下載到當前項目目錄下
2)編譯執行
- mvn compile
- mvn exec:java -Dexec.mainClass="Get" -Dexec.cleanupDaemonThread
- s=false
3)查看項目目錄下是否存在testfile2.txt及其內容
刪除文件delete
刪除HDFS上之前上傳的/mkdir/testfile.txt
1)新建文件src/main/java/Del.java
2)編譯執行
- mvn compile
- mvn exec:java -Dexec.mainClass="Del" -Dexec.cleanupDaemonThread
- s=false
3)在服務器中使用HDFS命令驗證，檢查testfile.txt是否被刪除
- hdfs dfs -ls /mkdir
重命名rename
把HDFS中的/mkdir/a重命名為/mkdir/a2
1)新建文件src/main/java/Rename.java
2)編譯執行
- mvn compile
- mvn exec:java -Dexec.mainClass="Rename" -Dexec.cleanupDaemonThr
- eads=false
3)在服務器中使用HDFS命令驗證
- hdfs dfs -ls /mkdir
流方式讀取文件部分內容
上傳一個文本文件，然后使用流方式讀取部分內容保存到當前項目目錄。
1)在服務器中創建一個測試文件test.txt，內容：
- 123456789abcdefghijklmn
上傳到HDFS
- hdfs dfs -put test.txt /
2)在本地項目中新建文件src/main/java/StreamGet.java
2)編譯執行
- mvn compile
- mvn exec:java -Dexec.mainClass="StreamGet" -Dexec.cleanupDaemon
- Threads=false
3)執行后查看項目目錄下的test.txt.part2
- 6789abcdefghijklmn
前面的12345已經被略過
三、深入了解
1、寫入機制
向HDFS中寫入文件時，是按照塊兒為單位的，client會根據配置中設置的塊兒的大小把目標文件切為多塊，例如文件是300M ,配置中塊大小值為128M，那么就分為3塊兒。
具體寫入流程：
client向namenode發請求，說想要上傳文件
namenode會檢查目標文件是否存在、父目錄是否存在，檢查沒有問題后返回確認信息
client再發請求，問***個block應該傳到哪些datanode上
namenode經過衡量，返回3個可用的datanode(A，B，C)
client與A建立連接，A與B建立連接，B與C建立連接，形成一個pipeline
傳輸管道建立完成后，client開始向A發送數據包，此數據包會經過管道一次傳遞到B和C
當***個block的數據都傳完以后，client再向namenode請求第二個block上傳到哪些datanode，然后建立傳輸管道發送數據
就這樣，直到client把文件全部上傳完成
2、讀取機制
Client把要讀取的文件路徑發給namenode，查詢元數據，找到文件塊所在的datanode服務器
Client直到了文件包含哪幾塊兒、每一塊兒在哪些datanode上，就選擇那些離自己進的datanode(在同一機房，如果有多個離著近的，就隨機選擇)，請求簡歷socket流
從datanode獲取數據
Client接收數據包，先本地緩存，然后寫入目標文件
直到文件讀取完成
3、NameNode機制
通過對HDFS讀寫流程的了解，可以發現namenode是一個很重要的部分，它記錄著整個HDFS系統的元數據，這些元數據是需要持久化的，要保存到文件中。
Namenode還要承受巨大的訪問量，client讀寫文件時都需要請求namenode，寫文件時要修改元數據，讀文件時要查詢元數據。
為了提高效率，namenode便將元數據加載到內存中，每次修改時，直接修改內存，而不是直接修改文件，同時會記錄下操作日志，供后期修改文件時使用。
這樣，namenode對數據的管理就涉及到了3種存儲形式：
- 內存數據
- 元數據文件
- 操作日志文件
namenode需要定期對元數據文件和日志文件進行整合，以保證文件中數據是新的，但這個過程很消耗性能，namenode需要快速地響應client的大量請求，很難去完成文件整合操作，這時就引入了一個小助手secondnamenode。
secondnamenode會定期從namenode中下載元數據文件和操作日志，進行整合，形成新的數據文件，然后傳回namenode，并替換掉之前的舊文件。
secondnamenode是namenode的好幫手，替namenode完成了這個重體力活兒，并且還可以作為namenode的一個防災備份，當namenode數據丟失時，secondnamenode上有最近一次整理好的數據文件，可以傳給namenode進行加載，這樣可以保證最少的數據丟失。
小結
HDFS的基礎內容介紹完了，希望可以幫助您快速熟悉HDFS的思路和使用方式。
