最近項目中在做千億大數(shù)據(jù)存儲檢索需求，要把10T的文本數(shù)據(jù)進行解析處理存入數(shù)據(jù)庫進行實時檢索，文件的存儲成為一個首要處理的問題，使用了多種存儲方式，都不是很滿足要求，最后使用 HDFS 分布式文件存儲系統(tǒng)發(fā)現(xiàn)效率、管理等各方面都挺不錯，就研究了一下搭建使用方式，特此記錄文檔

環(huán)境

修改主機名

# 按照上面環(huán)境配置修改每個機器的hostname 
vi /etc/hostname 
 
# 使用hostname命令使其生效，就不用重啟了 
hostname xxxx 

修改hosts文件

vi /etc/hosts 
 
192.168.143.130 master 
192.168.143.131 slave1 
192.168.143.132 slave2 
192.168.143.133 slave3 
192.168.143.134 slave4 

配置免密登錄

ssh-keygen -t rsa 
 
ssh-copy-id -i ~/.ssh/id_rsa.pub master 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave1 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave2 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave3 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave4 

安裝JDK(每臺機器)

apt-get install -y openjdk-8-jre-headless openjdk-8-jdk 

配置環(huán)境變量

在/etc/profile文件最后添加如下內(nèi)容：

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 
export CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools/jar 
export HADOOP_HOME=/usr/hadoop-3.3.0/ 
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin 
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop 
export HADOOP_COMMON_HOME=$HADOOP_HOME 
export HADOOP_HDFS_HOME=$HADOOP_HOME 
export HADOOP_MAPRED_HOME=$HADOOP_HOME 
export HADOOP_YARN_HOME=$HADOOP_HOME 
export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib/native" 
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native 

使環(huán)境變量生效

source /etc/profile 

創(chuàng)建目錄(每天機器)

創(chuàng)建目錄的時候要注意，先通過df -h命令查看本機上的磁盤空間，確定好數(shù)據(jù)存儲的磁盤，然后創(chuàng)建以下三個目錄，在下面的配置文件hdfs-site.xml中修改對應的目錄配置即可

mkdir -p /home/hadoop/dfs/name 
mkdir -p /home/hadoop/dfs/data 
mkdir -p /home/hadoop/temp 

安裝配置Hadoop

下載Hadoop安裝包

http://archive.apache.org/dist/hadoop/core/stable/hadoop-3.3.0.tar.gz

# 解壓后拷貝到/usr目錄下 
tar -xzvf hadoop-3.3.0.tar.gz 
mv hadoop-3.3.0 /usr 

配置Hadoop

配置文件在

/usr/hadoop-3.3.0/etc/hadoop目錄下

hadoop-env.sh

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 
export HDFS_NAMENODE_USER=root 
export HDFS_DATANODE_USER=root 
export HDFS_SECONDARYNAMENODE_USER=root 
export YARN_RESOURCEMANAGER_USER=root 
export YARN_NODEMANAGER_USER=root 

core-site.xml

<configuration> 
  <property> 
    <name>fs.defaultFS</name> 
    <value>hdfs://master:9000</value> 
  </property> 
  <property> 
    <name>hadoop.http.staticuser.user</name> 
    <value>root</value> 
  </property> 
  <property> 
    <name>dfs.permissions.enabled</name> 
    <value>false</value> 
  </property> 
</configuration> 

hdfs-site.xml配置多個文件存儲目錄，使用逗號隔開即可

<configuration> 
  <property> 
    <name>dfs.namenode.name.dir</name> 
    <value>/home/hadoop/dfs/name</value> 
  </property> 
  <property> 
    <name>dfs.dataname.data.dir</name> 
    <value>/home/hadoop/dfs/data,/usr1/hadoop/dfs/data</value> 
  </property> 
  <property> 
    <name>dfs.replication</name> 
    <value>2</value> 
  </property> 
</configuration> 

mapred-site.xml

<configuration> 
  <property> 
    <name>mapreduce.framework.name</name> 
    <value>yarn</value> 
  </property> 
</configuration> 

yarn-site.xml

<configuration> 
  <property> 
    <name>yarn.resourcemanager.hostname</name> 
    <value>master</value> 
  </property> 
  <property> 
    <name>yarn.resourcemanager.webapp.address</name> 
    <value>master:8088</value> 
  </property> 
  <property> 
    <name>yarn.nodemanager.aux-services</name> 
    <value>mapreduce_shuffle</value> 
  </property> 
</configuration> 

 workers

這里配置的就是DataNode的存儲機器，不建議用master作為存儲，如果存滿了集群就不能用了

slave1 
slave2 
slave3 
slave4 

將master上的/usr/hadoop-3.3.9拷貝到其他機器即可

scp /usr/hadoop-3.3.0 slave1:/usr 
scp /usr/hadoop-3.3.0 slave2:/usr 
scp /usr/hadoop-3.3.0 slave3:/usr 
scp /usr/hadoop-3.3.0 slave4:/usr 

格式化HDFS目錄（在master機器）

hdfs namenode-format 

啟動Hadoop

在master機器上執(zhí)行就可以了，執(zhí)行完以后可以使用jps命令在所有機器上查看進程狀態(tài)

cd /usr/hadoop-3.3.0/sbin 
./start-all.sh 

查看進程狀態(tài)

在master和slave上分別執(zhí)行jps命令

查看是否成功

在瀏覽器上打開下面的網(wǎng)頁，看能否正常訪問

# Hadoop集群信息 
http://192.168.143.130:8088/cluster 
 
# HDFS地址 
http://192.168.143.130:9870/dfshealth.html 
 
# DataNode地址 
http://192.168.143.130:9864/datanode.html 
 
# NodeManager地址 
http://192.168.143.130:8042/node 
 
# SecondaryNameNode 
http://192.168.143.130:9868/status.html 

測試文件上傳（master）

hdfs dfs -mkdir /test 
hdfs dfs -put start-dfs.sh /test 

HDFS操作命令

創(chuàng)建文件夾

hdfs dfs -mkdir /myTask 

創(chuàng)建多層文件

hdfs dfs -mkdir -p /myTask/input 

上傳文件

hdfs dfs -put /opt/wordcount.txt /myTask 

查看總目錄下的文件和文件夾

hdfs dfs -ls / 

查看myTask目錄下的wordcount.txt文件內(nèi)容

hdfs dfs -cat /myTask/wordcount.txt 

刪除文件或文件夾

hdfs dfs -rm -r /myTask/wordcount.txt 

下載文件到本地

hdfs dfs -get /myTask/wordcount.txt /opt 

Python操作hdfs

python操作hdfs時，如果要進行上傳下載文件，必須在執(zhí)行代碼的機器上配置hosts文件，原因是hdfs的namenode和datanode注冊后是以hostname進行記錄的，如果不配置直接進行上傳下載操作，那么將會采用hostname進行操作，因此需要在本機上配置hdfs集群機器IP和hostname的對應配置。例如我在本機上進行操作，必須配置如下：

C:\Windows\System32\drivers\etc\hosts 
 
192.168.143.130 master 
192.168.143.131 slave1 
192.168.143.132 slave2 
192.168.143.133 slave3 
192.168.143.134 slave4 

安裝庫

pip install hdfs 

操作

連接

from hdfs.client import Client 
client = Client("http://192.168.143.130:9870") 

創(chuàng)建目錄

client.makedirs(hdfs_path) 

刪除文件

client.delete(hdfs_path) 

上傳文件

client.download(hdfs_path, local_path) 

獲取目錄下文件列表

client.list(hdfs_path) 

總結(jié)

HDFS 文件存儲集群的優(yōu)點是：配置要求低、易于擴展、效率比較高、非常適合大批量文件存儲，而且可以提供 web 管理頁面，提供非常好的第三方庫。在進行 web 開發(fā)時，作為文件和圖片存儲庫也是非常好的選擇。