HDFS前言：
1） 设计思想
分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；
2）在大数据系统中作用：
为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务
3）重点概念：文件切块，副本存放，元数据
4）、NameNode节点：由core-site.xml配置指定（name=fs.defaultFS,value=hdfs://slaver1:8020）。
DataNode/NodeManager节点：由slavers文件指定。
SecondaryNameNode节点：由hdfs-site.xml文件指定（name=dfs.namenode.secondary.http-address,value=slaver1:50090）
ResourceManager节点：在yarn-site.xml文件中指定（name=yarn.resourcemanager.hostname,value=slaver1）。
historyServer节点：在mapred-site.xml配置文件里面修改。
1：分布式文件系统（Distributed File System）：
（1）：数据量越来越多，在一个操作系统管辖的范围存不下了，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，因此迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统 。
（2）：是一种允许文件通过网络在多台主机上分享的文件系统，可让多机器上的多用户分享文件和存储空间。
（3）：通透性。让实际上是通过网络来访问文件的动作，由程序与用户看来，就像是访问本地的磁盘一般。
（4）：容错。即使系统中有某些节点脱机，整体来说系统仍然可以持续运作而不会有数据损失。
（5）：分布式文件管理系统很多，hdfs只是其中一种。适用于一次写入多次查询的情况，不支持并发写情况，小文件不合适。
2：Hadoop最擅长的是（离线 ）日志分析
（1）：HDFS----》海量数据的存储，负责文件读写。
（2）：MapReduce----》海量数据的分析。
（3）：YARN----》资源管理调度，负责为mapreduce程序分配硬件资源。
3：HDFS的Shell
（1）：调用文件系统(FS)Shell命令应使用 bin/hadoop fs 的形式。
（2）：所有的FS shell命令使用URI路径作为参数。
URI格式是scheme://authority/path。HDFS的scheme是hdfs，对本地文件系统，scheme是file。其中scheme和authority参数都是可选的，如果未加指定，就会使用配置中指定的默认scheme。
例如：/parent/child可以表示成hdfs://namenode:namenodePort/parent/child，或者更简单的/parent/child（假设配置文件是namenode:namenodePort）
（3）：大多数FS Shell命令的行为和对应的Unix Shell命令类似。
4：HDFS fs命令
（1）-help [cmd] //显示命令的帮助信息
（2）-ls(r) <path> //显示当前目录下所有文件
（3）-du(s) <path> //显示目录中所有文件大小
（4）-count[-q] <path> //显示目录中文件数量
（5）-mv <src> <dst> //移动多个文件到目标目录
（6）-cp <src> <dst> //复制多个文件到目标目录
（7）-rm(r) //删除文件(夹)
（8）-put <localsrc> <dst> //本地文件复制到hdfs
（9）-copyFromLocal //同put
（10）-moveFromLocal //从本地文件移动到hdfs
（11）-get [-ignoreCrc] <src> <localdst> //复制文件到本地，可以忽略crc校验
（12）-getmerge <src> <localdst> //将源目录中的所有文件排序合并到一个文件中
（13）-cat <src> //在终端显示文件内容
（14）-text <src> //在终端显示文件内容
（15）-copyToLocal [-ignoreCrc] <src> <localdst> //复制到本地
（16）-moveToLocal <src> <localdst>
（17）-mkdir <path> //创建文件夹
（18）-touchz <path> //创建一个空文件
5：HDFS的Shell命令练习
（1）#hadoop fs -ls / 查看HDFS根目录
（2）#hadoop fs -mkdir /test 在根目录创建一个目录test
（3）#hadoop fs -mkdir /test1 在根目录创建一个目录test1
（4）#hadoop fs -put ./test.txt /test 或#hadoop fs -copyFromLocal ./test.txt /test
（5）#hadoop fs -get /test/test.txt . 或#hadoop fs -getToLocal /test/test.txt .
（6）#hadoop fs -cp /test/test.txt /test1
（7）#hadoop fs -rm /test1/test.txt
（8）#hadoop fs -mv /test/test.txt /test1
（9）#hadoop fs -rmr /test1
6：HDFS架构
（1）NameNode
（2）DataNode
（3）Secondary NameNode
7：NameNode
（1）是整个文件系统的管理节点。它维护着整个文件系统的文件目录树，文件/目录的元信息和每个文件对应的数据块列表。接收用户的操作请求。
（2）文件包括：
fsimage:元数据镜像文件。存储某一时段NameNode内存元数据信息。
edits:操作日志文件。
fstime:保存最近一次checkpoint的时间
（3）以上这些文件是保存在linux的文件系统中。（4）、NameNode是主节点，存储文件的元数据，如文件名，文件目录结构，文件属性（生成事件，副本数，文件权限），以及每个文件的块列表和块所在的DataNode信息等等。
（5）、Namenode是一个中心服务器，单一节点，负责管理文件系统的名字空间，以及客户端对文件的访问。文件操作，NameNode负责文件元数据的操作，DataNode负责处理文件内容的读写请求，跟文件内容相关的数据流不经过NameNode，只会询问它跟那个DataNode联系，否则NameNode会成为系统的瓶颈。副本存放在那些DataNode上由NameNode来控制，根据全局情况做出块放置决定，读取文件时候NameNode尽量让用户先读取最近的副本，降低带块消耗和读取延时。NameNode全权管理数据块的复制。它周期性的从集群中每个DataNode接受心跳信号和块状态报告（Blocreport）。接受到心跳信号意味着该DataNode节点正常工作。块状态报告包含一个该DataNode上所有数据块的列表。
8：NameNode的工作特点
（1）Namenode始终在内存中保存metedata，用于处理“读请求”
（2）到有“写请求”到来时，namenode会首先写editlog到磁盘，即向edits文件中写日志，成功返回后，才会修改内存，并且向客户端返回
（3）Hadoop会维护一个fsimage文件，也就是namenode中metedata的镜像，但是fsimage不会随时与namenode内存中的metedata保持一致，而是每隔一段时间通过合并edits文件来更新内容。Secondary namenode就是用来合并fsimage和edits文件来更新NameNode的metedata的。
9：SecondaryNameNode
（1）HA的一个解决方案。但不支持热备。配置即可。
（2）执行过程：从NameNode上下载元数据信息（fsimage,edits），然后把二者合并，生成新的fsimage，在本地保存，并将其推送到NameNode，替换旧的fsimage.
（3）默认在安装在NameNode节点上，但这样...不安全！（4）、用来监控hdfs状态的辅助后台程序，每隔一段事件获取hdfs元数据的快照。
10：secondary namenode的工作流程
（1）secondary通知namenode切换edits文件
（2）secondary从namenode获得fsimage和edits(通过http)
（3）secondary将fsimage载入内存，然后开始合并edits
（4）secondary将新的fsimage发回给namenode
（5）namenode用新的fsimage替换旧的fsimage
11：什么时候checkpiont
（1）fs.checkpoint.period 指定两次checkpoint的最大时间间隔，默认3600秒。
（2）fs.checkpoint.size 规定edits文件的最大值，一旦超过这个值则强制checkpoint，不管是否到达最大时间间隔。默认大小是64M。
12：NameNode和SecondNameNode之间的联系
13：Datanode
（1）提供真实文件数据的存储服务。
（2）文件块（block）：最基本的存储单位。对于文件内容而言，一个文件的长度大小是size，那么从文件的０偏移开始，按照固定的大小，顺序对文件进行划分并编号，划分好的每一个块称一个Block。HDFS默认Block大小是128MB，以一个256MB文件，共有256/128=2个Block.
dfs.block.size
（3）不同于普通文件系统的是，HDFS中，如果一个文件小于一个数据块的大小，并不占用整个数据块存储空间
（4）Replication。多复本。默认是三个。hdfs-site.xml的dfs.replication属性。（5）、DataNode在本地文件系统存储文件块数据，以及块数据的校验和。
（6）、DataNode，一个数据块在DataNode以文件存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。DataNode启动后NameNode注册，通过后，周期性（1小时）的向NameNode上报所有的块信息。心跳是每3秒一次，心跳返回结果带有NameNode给该DataNode的命令如复制块数据到另一台机器，或者删除某个数据块。如果超过10分钟没有收到某个DataNode的心跳，则认为该节点不可用。集群运行中可以安全加入和退出一些机器。
14：Remote Procedure Call
（1）RPC——远程过程调用协议，它是一种通过网络从远程计算机程序上请求服务，而不需要了解底层网络技术的协议。RPC协议假定某些传输协议的存在，如TCP或UDP，为通信程序之间携带信息数据。在OSI网络通信模型中，RPC跨越了传输层和应用层。RPC使得开发包括网络分布式多程序在内的应用程序更加容易。
（2）RPC采用客户机/服务器模式。请求程序就是一个客户机，而服务提供程序就是一个服务器。首先，客户机调用进程发送一个有进程参数的调用信息到服务进程，然后等待应答信息。在服务器端，进程保持睡眠状态直到调用信息的到达为止。当一个调用信息到达，服务器获得进程参数，计算结果，发送答复信息，然后等待下一个调用信息，最后，客户端调用进程接收答复信息，获得进程结果，然后调用执行继续进行。
（3）hadoop的整个体系结构就是构建在RPC之上的(见org.apache.hadoop.ipc)。
15：HDFS读过程
（1）初始化FileSystem，然后客户端(client)用FileSystem的open()函数打开文件
（2）FileSystem用RPC调用元数据节点，得到文件的数据块信息，对于每一个数据块，元数据节点返回保存数据块的数据节点的地址。
（3）FileSystem返回FSDataInputStream给客户端，用来读取数据，客户端调用stream的read()函数开始读取数据。
（4）DFSInputStream连接保存此文件第一个数据块的最近的数据节点，data从数据节点读到客户端(client)
（5）当此数据块读取完毕时，DFSInputStream关闭和此数据节点的连接，然后连接此文件下一个数据块的最近的数据节点。
（6）当客户端读取完毕数据的时候，调用FSDataInputStream的close函数。
（7）在读取数据的过程中，如果客户端在与数据节点通信出现错误，则尝试连接包含此数据块的下一个数据节点。
（8）失败的数据节点将被记录，以后不再连接。
16：HDFS写过程
（1）初始化FileSystem，客户端调用create()来创建文件
（2）FileSystem用RPC调用元数据节点，在文件系统的命名空间中创建一个新的文件，元数据节点首先确定文件原来不存在，并且客户端有创建文件的权限，然后创建新文件。
（3）FileSystem返回DFSOutputStream，客户端用于写数据，客户端开始写入数据。
（4）DFSOutputStream将数据分成块，写入data queue。data queue由Data Streamer读取，并通知元数据节点分配数据节点，用来存储数据块(每块默认复制3块)。分配的数据节点放在一个pipeline里。Data Streamer将数据块写入pipeline中的第一个数据节点。第一个数据节点将数据块发送给第二个数据节点。第二个数据节点将数据发送给第三个数据节点。
（5）DFSOutputStream为发出去的数据块保存了ack queue，等待pipeline中的数据节点告知数据已经写入成功。
（6）当客户端结束写入数据，则调用stream的close函数。此操作将所有的数据块写入pipeline中的数据节点，并等待ack queue返回成功。最后通知元数据节点写入完毕。
（7）如果数据节点在写入的过程中失败，关闭pipeline，将ack queue中的数据块放入data queue的开始，当前的数据块在已经写入的数据节点中被元数据节点赋予新的标示，则错误节点重启后能够察觉其数据块是过时的，会被删除。失败的数据节点从pipeline中移除，另外的数据块则写入pipeline中的另外两个数据节点。元数据节点则被通知此数据块是复制块数不足，将来会再创建第三份备份。
17：HDFS的架构
（1）主从结构
主节点， namenode
从节点，有很多个: datanode
（2）namenode负责：
接收用户操作请求
维护文件系统的目录结构
管理文件与block之间关系，block与datanode之间关系
（3）datanode负责：
存储文件
文件被分成block存储在磁盘上
为保证数据安全，文件会有多个副本
18：Hadoop部署方式
（1）本地模式
（2）伪分布模式
（3）集群模式
19：Hadoop的特点
（1）扩容能力（Scalable）：能可靠地（reliably）存储和处理千兆字节（PB）数据。
（2）成本低（Economical）：可以通过普通机器组成的服务器群来分发以及处理数据。这些服务器群总计可达数千个节点。
（3）高效率（Efficient）：通过分发数据，hadoop可以在数据所在的节点上并行地（parallel）处理它们，这使得处理非常的快速。
（4）可靠性（Reliable）：hadoop能自动地维护数据的多份副本，并且在任务失败后能自动地重新部署（redeploy）计算任务。
20：HDFS的概念和特性：
1）首先，它是一个文件系统，用于存储文件，通过统一的命名空间——目录树来定位文件
2）其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色；
3）重要特性如下：
（1）HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M
（2）HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data
（3）目录结构及文件分块信息(元数据)的管理由namenode节点承担
namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）
（4）文件的各个block的存储管理由datanode节点承担
datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）
（5）HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改
注意：适合用来做数据分析，并不适合用来做网盘应用，因为，不便修改，延迟大，网络开销大，成本太高；
22：hadoop常用命令参数介绍：
-help
功能：输出这个命令参数手册
-ls
功能：显示目录信息
示例： hadoop fs -ls hdfs://hadoop-server01:9000/
备注：这些参数中，所有的hdfs路径都可以简写
-->hadoop fs -ls / 等同于上一条命令的效果
-mkdir
功能：在hdfs上创建目录
示例：hadoop fs -mkdir -p /aaa/bbb/cc/dd
-moveFromLocal
功能：从本地剪切粘贴到hdfs
示例：hadoop fs - moveFromLocal /home/hadoop/a.txt /aaa/bbb/cc/dd
-moveToLocal
功能：从hdfs剪切粘贴到本地
示例：hadoop fs - moveToLocal /aaa/bbb/cc/dd /home/hadoop/a.txt
--appendToFile
功能：追加一个文件到已经存在的文件末尾
示例：hadoop fs -appendToFile ./hello.txt hdfs://hadoop-server01:9000/hello.txt
可以简写为：
Hadoop fs -appendToFile ./hello.txt /hello.txt
-cat
功能：显示文件内容
示例：hadoop fs -cat /hello.txt
-tail
功能：显示一个文件的末尾
示例：hadoop fs -tail /weblog/access_log.1
-text
功能：以字符形式打印一个文件的内容
示例：hadoop fs -text /weblog/access_log.1
-chgrp
-chmod
-chown
功能：linux文件系统中的用法一样，对文件所属权限
示例：
hadoop fs -chmod 666 /hello.txt
hadoop fs -chown someuser:somegrp /hello.txt
-copyFromLocal
功能：从本地文件系统中拷贝文件到hdfs路径去
示例：hadoop fs -copyFromLocal ./jdk.tar.gz /aaa/
-copyToLocal
功能：从hdfs拷贝到本地
示例：hadoop fs -copyToLocal /aaa/jdk.tar.gz
-cp
功能：从hdfs的一个路径拷贝hdfs的另一个路径
示例： hadoop fs -cp /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
-mv
功能：在hdfs目录中移动文件
示例： hadoop fs -mv /aaa/jdk.tar.gz /
-get
功能：等同于copyToLocal，就是从hdfs下载文件到本地
示例：hadoop fs -get /aaa/jdk.tar.gz
-getmerge
功能：合并下载多个文件
示例：比如hdfs的目录 /aaa/下有多个文件:log.1, log.2,log.3,...
hadoop fs -getmerge /aaa/log.* ./log.sum
-put
功能：等同于copyFromLocal
示例：hadoop fs -put /aaa/jdk.tar.gz /bbb/jdk.tar.gz.2
-rm
功能：删除文件或文件夹
示例：hadoop fs -rm -r /aaa/bbb/
-rmdir
功能：删除空目录
示例：hadoop fs -rmdir /aaa/bbb/ccc
-df
功能：统计文件系统的可用空间信息
示例：hadoop fs -df -h /
-du
功能：统计文件夹的大小信息
示例：
hadoop fs -du -s -h /aaa/*
-count
功能：统计一个指定目录下的文件节点数量
示例：hadoop fs -count /aaa/
-setrep
功能：设置hdfs中文件的副本数量
示例：hadoop fs -setrep 3 /aaa/jdk.tar.gz
<这里设置的副本数只是记录在namenode的元数据中，是否真的会有这么多副本，还得看datanode的数量>
23：Hdfs的工作机制：
（工作机制的学习主要是为加深对分布式系统的理解，以及增强遇到各种问题时的分析解决能力，形成一定的集群运维能力）
注意：很多不是真正理解hadoop技术体系的人会常常觉得HDFS可用于网盘类应用，但实际并非如此。要想将技术准确用在恰当的地方，必须对技术有深刻的理解概述
1：HDFS集群分为两大角色：NameNode、DataNode
2：NameNode负责管理整个文件系统的元数据
3：DataNode 负责管理用户的文件数据块
4：文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上
5：每一个文件块可以有多个副本，并存放在不同的datanode上
6：Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量
7：HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行
24：资源调度管理YARN的节点介绍：
1、ResourceManager节点：
处理客户端请求，启动和监控ApplicationMaster,监控NodeManager,资源分配和调度。
2、NodeManager:
单个节点上的资源管理，处理来自ResourceManager的命令，处理来自ApplicationMaster的命令。
3、ApplicationMaster:
数据切分，为应用程序申请资源，分分配给内部任务，任务监控与容错。
4、Container:
对任务运行环境的抽象，封装了cpu,内存，等多为资源以及环境变量，启动命令等任务运行相关的信息。
25、离线计算框架，MapReduce:
1、将计算过程分为两个阶段，Map阶段和Reduce阶段：
map阶段并行处理输入数据。
reduce阶段对map结果进行汇总。
2、Shuffle连接Map和Reduce两个阶段：
Map Task将数据写到本地磁盘。
Reduce Task从每个Map Task上读取一份数据。
3、仅仅适合离线批处理:
具有很好的容错性和扩展性。
适合简单的批处理任务。
4、缺点明显：启动开销大，过多使用磁盘导致效率低下等等
26、数据损坏（corruption）处理：
1、当DataNode读取block的时候，它会计算checksum。
2、如果计算后的checksum，与block创建时值不一样，说明该block已经损坏。
3、Client读取其他DN上的block。
4、NameNode标记该块已经损坏，然后复制block达到预期设计的文件备份数。
5、DataNode在其他文件创建后三周验证其checksum
待续......