HDFS Shell命令基础入门实战

HDFS基础知识

1. HDFS 是做什么的

HDFS（Hadoop Distributed File System）是Hadoop项目的核心子项目，是分布式计算中数据存储管理的基础，是基于流数据模式访问和处理超大文件的需求而开发的，可以运行于廉价的商用服务器上。它所具有的高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征为海量数据提供了不怕故障的存储，为超大数据集（Large Data Set）的应用处理带来了很多便利。

2. HDFS 起源

HDFS 源于 Google 在2003年10月份发表的GFS（Google File System） 论文。 它其实就是 GFS 的一个克隆版本

3. HDFS优点

之所以选择 HDFS 存储数据，因为 HDFS 具有以下优点：

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，这是由 HDFS 内部机制实现的，我们不必关心。
2. 适合批处理
   它是通过移动计算而不是移动数据。
   它会把数据位置暴露给计算框架。
3. 适合大数据处理
   处理数据达到 GB、TB、甚至PB级别的数据。
   能够处理百万规模以上的文件数量，数量相当之大。
   能够处理10K节点的规模。
4. 流式文件访问
   一次写入，多次读取。文件一旦写入不能修改，只能追加。
   它能保证数据的一致性。
5. 可构建在廉价机器上
   它通过多副本机制，提高可靠性。
   它提供了容错和恢复机制。比如某一个副本丢失，可以通过其它副本来恢复。

4. HDFS缺点：

1. 低延时数据访问
   比如毫秒级的来存储数据，这是不行的，它做不到。
   它适合高吞吐率的场景，就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的，比如毫秒级以内读取数据，这样它是很难做到的。
2. 小文件存储
   存储大量小文件(这里的小文件是指小于HDFS系统的Block大小的文件（1.0默认64M，2.0默认128M）)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。
   小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。
3. 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。
   仅支持数据 append（追加），不支持文件的随机修改。

5. HDFS 如何存储数据

　　　　　　　　　　　　　HDFS的架构图
　　HDFS 采用Master/Slave的架构来存储数据，这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分

1. Client：就是客户端。
    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，然后进行存储。
    与 NameNode 交互，获取文件的位置信息。
    与 DataNode 交互，读取或者写入数据。
    Client 提供一些命令来管理 HDFS，比如启动或者关闭HDFS。
    Client 可以通过一些命令来访问 HDFS。
2. NameNode：就是 master，它是一个主管、管理者。
    管理 HDFS 的名称空间
    管理数据块（Block）映射信息
    配置副本策略
    处理客户端读写请求。
3. DataNode：就是Slave。NameNode 下达命令，DataNode 执行实际的操作。
    存储实际的数据块。
    执行数据块的读/写操作。
4. 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。
    辅助 NameNode，分担其工作量。
    定期合并 fsimage和fsedits，并推送给NameNode。
    在紧急情况下，可辅助恢复 NameNode。

6. RPC接口

RPC是指远程过程调用，也就是说两台不同的服务器（不受操作系统限制），一个应用部署在Linux-A上，一个应用部署在Windows-B或Linux-B上，若A想要调用B上的某个方法method()，由于不在一个内存空间，不能直接调用，需要通过网络来表达调用的语意和传达调用的参数。
　　楼主在接触RPC之前，用得最多的莫过于WebService。WebService可以说是在RPC发展的基础之上。RPC的协议有很多，比如最早的CORBA，Java RMI,Web Service等，又比如现在阿里巴巴的Dubbo，Apache下的hadoop项目。该篇楼主主要以hadoop的RPC为例。
hadoop为何要使用RPC？在HDFS中，我们通过jsp可查看到有DataNode,NameNode,SecondaryNameNode主要进程(楼主只启动了HDFS)，我们客户端Client与NameNode通信，NameNode与DataNod