Hadoop分布式文件系统使用指南
2010-06-26 16:18
204 查看
Hadoop分布式文件系统使用指南
目的
概述
先决条件
Web接口
Shell
命令
DFSAdmin命令
Secondary NameNode
Rebalancer
机架感知(Rack awareness)
安全模式
fsck
升级和回滚
文件权限和安全性
可扩展性
相关文档
目的
本文档的目标是为Hadoop分布式文件系统(HDFS)的用户提供一个学习的起点,这里的HDFS既可以作为Hadoop集群的一部分,也可以作为一个独立的分布式文件系统。虽然
HDFS在很多环境下被设计成是可正确工作的,但是了解HDFS的工作原理对在特定集群上改进HDFS的运行性能和错误诊断都有极大的帮助。
概述
HDFS是Hadoop应用用到的一个最主要的分布式存储系统。一个HDFS集群主要由一个NameNode和很多个Datanode组成:Namenode管理文件系统的元数据,而Datanode存储了实际的数据。HDFS的体系结构在这
里
有详细的描述。本文档主要关注用户以及管理员怎样和HDFS进行交互。HDFS
架构设计
中的图
解
描述了Namenode、Datanode和客户端之间的基本的交互操作。基本上,客户端联系Namenode以获取文件的元数据或修饰属性,
而真正的文件I/O操作是直接和Datanode进行交互的。
下面列出了一些多数用户都比较感兴趣的重要特性。
Hadoop(包括HDFS)非常适合在商用硬件(commodity
hardware)上做分布式存储和计算,因为它不仅具有容错性和可扩展性,而且非常易于扩展。Map-Reduce
框
架以其在大型分布式系统应用上的简单性和可用性而著称,这个框架已经被集成进Hadoop中。
HDFS的可配置性极高,同时,它的默认配置能够满足很多的安装环境。多数情况下,这些参数只在非常大规模的集群环境下才需要调整。
用Java语言开发,支持所有的主流平台。
支持类Shell命令,可直接和HDFS进行交互。
NameNode和DataNode有内置的Web服务器,方便用户检查集群的当前状态。
新特性和改进会定期加入HDFS的实现中。下面列出的是HDFS中常用特性的一部分:
文件权限和授权。
机架感知(Rack awareness):在调度任务和分配存储空间时考虑节点的物理位置。
安全模式:一种维护需要的管理模式。
fsck:一个诊断文件系统健康状况的工具,能够发现丢失的文件或数据块。
Rebalancer:当datanode之间数据不均衡时,平衡集群上的数据负载。
升级和回滚:在软件更新后有异常发生的情形下,能够回滚到HDFS升级之前的状态。
Secondary
Namenode:对文件系统名字空间执行周期性的检查点,将Namenode上HDFS改动日志文件的大小控制在某个特定的限度下。
先决条件
下面的文档描述了如何安装和搭建Hadoop集群:Hadoop
快速入门
针对初次使用者。
Hadoop
集群搭建
针对大规模分布式集群的搭建。
文档余下部分假设用户已经安装并运行了至少包含一个Datanode节点的HDFS。就本文目的来说,Namenode和Datanode可以运行在同一
个物理主机上。
Web接口
NameNode和DataNode各自启动了一个内置的Web服务器,显示了集群当前的基本状态和信息。在默认配置下NameNode的首页地址是http://namenode-name:50070/。这个页面列出了集群里的所有
DataNode和集群的基本状态。这个Web接口也可以用来浏览整个文件系统(使用NameNode首页上的"Browse the file
system"链接)。
Shell命令
Hadoop包括一系列的类shell的命令,可直接和HDFS以及其他Hadoop支持的文件系统进行交互。bin/hadoop fs -help命令列出所有Hadoop Shell支持的命令。而 bin/hadoop fs -help command-name
命令能显示关于某个命令的详细信息。这些命令支持大多数普通文件系统的操作,比如复制文件、改变文件权限等。它还支持一些HDFS特有的操作,比如改变文
件副本数目。
DFSAdmin命令
'bin/hadoop dfsadmin'命令支持一些和HDFS管理相关的操作。bin/hadoop dfsadmin -help
命令能列出所有当前支持的命令。比如:
-report
:报告HDFS的基本统计信息。有些信息也可以在NameNode
Web服务首页看到。
-safemode
:虽然通常并不需要,但是管理员的确可以手动让NameNode进入或
离开安全模式。
-finalizeUpgrade
:删除上一次升级时制作的集群备份。
Secondary NameNode
NameNode将对文件系统的改动追加保存到本地文件系统上的一个日志文件(edits)。
当一个NameNode启动时,它首先从一个映像文件(fsimage
)中读取HDFS的
状态,接着应用日志文件中的edits操作。然后它将新的HDFS状态写入(fsimage
)
中,并使用一个空的edits文件开始正常操作。因为NameNode只有在启动阶段才合并fsimage
和edits
,所以久而久之日志文件可能会变得非常庞大,特别是对大型的集群。日志文件太大的另一个副
作用是下一次NameNode启动会花很长时间。
Secondary
NameNode定期合并fsimage和edits日志,将edits日志文件大小控制在一个限度下。因为内存需求和NameNode在一个数量级上,
所以通常secondary NameNode和NameNode运行在不同的机器上。Secondary NameNode通过bin/start-dfs.sh
在conf/masters
中
指定的节点上启动。
Secondary NameNode的检查点进程启动,是由两个配置参数控制的:
fs.checkpoint.period
,指定连续两次检查点的最大时间间隔,
默认值是1小时。
fs.checkpoint.size
定义了edits日志文件的最大值,一旦超过这个值
会导致强制执行检查点(即使没到检查点的最大时间间隔)。默认值是64MB。
Secondary NameNode保存最新检查点的目录与NameNode的目录结构相同。
所以NameNode可以在需要的时候读取Secondary NameNode上的检查点镜像。
如果NameNode上除了最新的检查点以外,所有的其他的历史镜像和edits文件都丢失了,
NameNode可以引入这个最新的检查点。以下操作可以实现这个功能:
在配置参数dfs.name.dir
指定的位置建立一个空文件夹;
把检查点目录的位置赋值给配置参数fs.checkpoint.dir
;
启动NameNode,并加上-importCheckpoint
。
NameNode会从fs.checkpoint.dir
目录读取检查点,
并把它保存在dfs.name.dir
目录下。
如果dfs.name.dir
目录下有合法的镜像文件,NameNode会启动
失败。
NameNode会检查fs.checkpoint.dir
目录下镜像文件的一
致性,但是不会去改动它。
命令的使用方法请参考secondarynamenode
命令
.
Rebalancer
HDFS的数据也许并不是非常均匀的分布在各个DataNode中。一个常见的原因是在现有的集群上经常会增添新的DataNode节点。当新增一个数据块(一个文件的数据被保存在一系列的块中)时,NameNode在选择DataNode接收这个数据块之前,会考虑到很多因素。其中的一些考虑的是:
将数据块的一个副本放在正在写这个数据块的节点上。
尽量将数据块的不同副本分布在不同的机架上,这样集群可在完全失去某一机架的情况下还能存活。
一个副本通常被放置在和写文件的节点同一机架的某个节点上,这样可以减少跨越机架的网络I/O。
尽量均匀地将HDFS数据分布在集群的DataNode中。
由于上述多种考虑需要取舍,数据可能并不会均匀分布在DataNode中。HDFS为管理员提供了一个工具,用于分析数据块分布和重新平衡
DataNode上的数据分布。HADOOP-1652
的
附件中的一个PDF
是
一个简要的rebalancer管理员指南。
使用方法请参考balancer
命令
.
机架感知(Rack awareness)
通常,大型Hadoop集群是以机架的形式来组织的,同一个机架上不同节点间的网络状况比不同机架之间的更为理想。另外,NameNode设法将数据块副本保存在不同的机架上以提高容错性。Hadoop允许集群的管理员通过配置dfs.network.script
参
数来确定节点所处的机架。当这个脚本配置完毕,每个节点都会运行这个脚本来获取它的机架ID。默认的安装假定所有的节点属于同一个机架。这个特性及其配置
参数在HADOOP-692
所
附的PDF
上
有更详细的描述。
安全模式
NameNode启动时会从fsimage和edits日志文件中装载文件系统的状态信息,接着它等待各个DataNode向它报告它们各自的数据块状态,这样,NameNode就不会过早地开始复制数据块,即使在副本充足的情况下。这个阶段,NameNode处于安全模式下。NameNode的安全模
式本质上是HDFS集群的一种只读模式,此时集群不允许任何对文件系统或者数据块修改的操作。通常NameNode会在开始阶段自动地退出安全模式。如果
需要,你也可以通过'bin/hadoop dfsadmin -safemode'
命令
显式地将HDFS置于安全模式。NameNode首页会显示当前是否处于安全模式。关于安全模式的更多介绍和配置信息请参考JavaDoc:setSafeMode()
。
fsck
HDFS支持fsck命令来检查系统中的各种不一致状况。这个命令被设计来报
告各种文件存在的问题,比如文件缺少数据块或者副本数目不够。不同于在本地文件系统上传统的fsck工具,这个命令并不会修正它检测到的错误。一般来
说,NameNode会自动修正大多数可恢复的错误。HDFS的fsck不是一个Hadoop shell命令。它通过'bin/hadoop fsck
'执行。
命令的使用方法请参考fsck
命令
fsck
可用来检查整个文件系统,也可以只检查部分文件。
升级和回滚
当在一个已有集群上升级Hadoop时,像其他的软件升级一样,可能会有新的bug或一些会影响到现有应用的非兼容性变更出现。在任何有实际意义的HDSF系统上,丢失数据是不被允许的,更不用说重新搭建启动HDFS了。HDFS允许管理员退回到之前的Hadoop版本,并将集群的状态回滚到升级之
前。更多关于HDFS升级的细节在升
级wiki
上可以找到。HDFS在一个时间可以有一个这样的备份。在升级之前,管理员需要用bin/hadoop
dfsadmin -finalizeUpgrade
(升级终结操作)命令删除存在的备份文件。下面简单介绍一下一般的升级过程:
升级 Hadoop 软件之前,请检查是否已经存在一个备份,如果存在,可执行升级终结操作删除这个备份。通过dfsadmin -upgradeProgress status
命令能够知道是否需要对一个集群执
行升级终结操作。
停止集群并部署新版本的Hadoop。
使用-upgrade
选项运行新的版本(bin/start-dfs.sh -upgrade
)。
在大多数情况下,集群都能够正常运行。一旦我们认为新的HDFS运行正常(也许经过几天的操作之后),就可以对之执行升级终结操作。注意,在对一
个集群执行升级终结操作之前,删除那些升级前就已经存在的文件并不会真正地释放DataNodes上的磁盘空间。
如果需要退回到老版本,
停止集群并且部署老版本的Hadoop。
用回滚选项启动集群(bin/start-dfs.h -rollback
)。
文件权限和安全性
这里的文件权限和其他常见平台如Linux的文件权限类似。目前,安全性仅限于简单的文件权限。启动NameNode的用户被视为HDFS的超级用户。HDFS以后的版本将会支持网络验证协议(比如Kerberos)来对用户身份进行验证和对数据进行加密传输。具体的细节请参考权
限使用管理指南
。
可扩展性
现在,Hadoop已经运行在上千个节点的集群上。Powered By Hadoop页面列出
了一些已将Hadoop部署在他们的大型集群上的组织。HDFS集群只有一个NameNode节点。目前,NameNode上可用内存大小是一个主要的扩
展限制。在超大型的集群中,增大HDFS存储文件的平均大小能够增大集群的规模,而不需要增加NameNode的内存。默认配置也许并不适合超大规模的集
群。Hadoop FAQ
页面列举了针对大型
Hadoop集群的配置改进。
相关文档
这个用户手册给用户提供了一个学习和使用HDSF文件系统的起点。本文档会不断地进行改进,同时,用户也可以参考更多的Hadoop和HDFS文档。下面的列表是用户继续学习的起点:
Hadoop官方主页
:所有Hadoop相关的起始页。
Hadoop Wiki
:Hadoop
Wiki文档首页。这个指南是Hadoop代码树中的一部分,与此不同,Hadoop Wiki是由Hadoop社区定期编辑的。
Hadoop Wiki上的FAQ
。
Hadoop JavaDoc
API
。
Hadoop用户邮件列表:core-user[at]hadoop.apache.org
。
查看conf/hadoop-default.xml
文件。这里包括了大多数配置
参数的简要描述。
命
令手册
:命令使用说明。
参考:http://hadoop.apache.org/common/docs/r0.18.2/cn/hdfs_user_guide.html
相关文章推荐
- Hadoop分布式文件系统使用指南
- Hadoop分布式文件系统使用指南
- proGuard5.1混淆hadoop jar包使用指南
- hadoopshell使用指南
- java使用FileSystem上传文件到hadoop分布式文件系统配置
- Hadoop Trash回收站使用指南
- Hadoop的分布式文件系统(HDFS)的使用
- Hadoop中的Python框架的使用指南
- Hadoop初学指南(4)--使用java操作HDFS
- Ubuntu16.04的Hadoop2.7.3之分布式文件系统HDFS学习指南
- NUTCH 1.4+hadoop2.20.203.0使用指南
- Hadoop中的Python框架的使用指南
- HADOOP docker(六):hive简易使用指南
- Hadoop命令手册使用指南
- Hadoop中的Python框架的使用指南
- 《hadoop 权威指南》 学习笔记(2)Hadoop 分布式文件系统
- yum命令指南-yum使用方法
- 便利的开发工具 CppUnit 快速使用指南
- RecyclerView使用完全指南