Hadoop分布式系统（中）

配置HDFS
      

     配置HDFS应该是一件不难的事情。首先，我们先配好HDFS的配置文件，再对NameNode进行format操作。 

    

配置Cluster 


   这里，我们假定，你已经下载了Hadoop的一个版本，并解压完毕。 


   Hadoop安装目录下的conf是hadoop存放配置文件的目录，里面有一些XML文件需要配置。conf/hadoop-defaults.xml 文件包含了hadoop的任何参数的默认值。这个文件应该是只读的。你可以通过在conf/hadoop-site.xml中设置新值的方式来覆盖默认的配置。集群上所有的机器的hadoop-site.xml文件应该是一致的。 

   配置文件本身是键值对的一个集合。

 

 <property>
    <name>property-name</name>
    <value>property-value</value>
  </property>

 

   property 中有  <final>true</final> 这样的一行的，则表示这个属性是不能被用户应用程序覆盖的。 

  下面的一些属性是必须要配置的，这样HDFS才能跑起来： 

 

key value example

fs.default.name	protocol ://servername :port	hdfs://alpha.milkman.org:9000
dfs.data.dir	pathname	/home/username /hdfs/data
dfs.name.dir	pathname	/home/username /hdfs/name

 

  

 

   这些属性的有着如下的意思：

 

   fs.default.name - 这是一个描述集群中NameNode结点的URI(包括协议、主机名称、端口号)，集群里面的每一台机器都需要知道NameNode的地址。DataNode结点会先在NameNode上注册，这样它们的数据才可以被使用。独立的客户端程序通过这个URI跟DataNode交互，以取得文件的块列表。

 

   dfs.data.dir - 这是DataNode结点被指定要存储数据的本地文件系统路径。DataNode结点上的这个路径没有必要完全相同，因为每台机器的环境很可能是不一样的。但如果每台机器上的这个路径都是统一配置的话，会使工作变得简单一些。默认的情况下，它的值是/temp, 这个路径只能用于测试的目的，因为，它很可能会丢失掉一些数据。所以，这个值最好还是被覆盖。

 

   dfs.name.dir - 这是NameNode结点存储hadoop文件系统信息的本地系统路径。这个值只对NameNode有效，DataNode并不需要使用到它。上面对于/temp类型的警告，同样也适用于这里。在实际应用中，它最好被覆盖掉。

 

   这里再介绍一个配置参数，它叫dfs.replication  。它决定着 系统里面的文件块的数据备份个数。对于一个实际的应用，它 应该被设为3（这个数字并没有上限，但更多的备份可能并没有作用，而且会占用更多的空间）。少于三个的备份，可能会影响到数据的可靠性(系统故障时，也许会造成数据丢失)。

   下面是一个模板文件。

 

 

<configuration>
  <property>
    <name>fs.default.name</name>
    <value>hdfs://your.server.name.com:9000</value>
  </property>
  <property>
    <name>dfs.data.dir</name>
    <value>/home/username/hdfs/data</value>
  </property>
  <property>
    <name>dfs.name.dir</name>
    <value>/home/username/hdfs/name</value>
  </property>
</configuration>

 

  your.server.name.com 需要被配置成正确的主机名，端口号的指定是随意的。

 

   配置好conf/hadoop-site.xml文件以后，你可以将conf目录拷贝到其他的机器上了。

 

   master结点有必要知道集群里其他机器的的地址，这样启动脚本才能正常运行。conf/slaves这个文件列举了所有的可用的主机名，一个主机名一行。在一个集群的环境中，这个文件不需要包含master的地址。但是单机的情况下，master也要有，因为除了master以外，没有其他的机器可以作为DataNode结点了。

 

    然后，建立我们要使用的目录：

 

 

  user@EachMachine$ mkdir -p $HOME/hdfs/data

  user@namenode$ mkdir -p $HOME/hdfs/name

 

 

    执行Hadoop的用户需要这些目录的读写权限，使用chmod命令为该用户设置权限。在一个大的集群环境中，我建议你在每台机器上都创建一个hadoop的用户，用它来执行hadoop相关的程序。对于一个单机系统，使用自己的用户名就可以了。我不推荐使用root用户来执行hadoop。

 

  启动HDFS

  

  现在，我们先格式化一下我们刚刚配置的hadoop文件系统。

 

user@namenode:hadoop$ bin/hadoop namenode -format 

 

  这个操作应该值被执行一次，当这个执行完毕之后，我们就可以启动分布式系统了。

 

 user@namenode:hadoop$ bin/start-dfs.sh

 

   这个命令将会启动master机器上的Namenode程序。它也会启动slave机器上的DataNode程序。在一个单机版的集群中，slave跟master是同一台机器。在一个真实的集群环境中，这个命令就通过ssh登录到slave上，并启动DataNode程序。

 

   Interacting With HDFS  

  这个部分，我们将会熟悉与HDFS交互、存储文件、获取文件所需要用到的一些命令。

 

  大多数命名都是由 bin/hadoop 脚本执行的。它将会在java虚拟机上加载hadoop系统，并执行用户地方命令。这些命令通常有下列的格式。

 

user@machine:hadoop$ bin/hadoop moduleName -cmd args... 

 

The moduleName 告诉脚本程序，要使用哪个hadoop模块。-cmd 在这被指定模块支持的，要执行的命令名称。紧跟在命令名称后面的是该命令的参数。

 

   HDFS主要的模块有： dfs  和 dfsadmin。 它们的使用将会在下面介绍。

通用操作的例子

 dfs 模块，我们也叫它“FsShell”，提供基本的文件处理功能。以下是它的一些用法介绍。

 

 集群之所以有用，是因为，它存有我们感兴趣的数据。所以，我们要介绍的第一个操作是，往集群里面写数据。我们假定用户为“someone”，这个要根据你的实际情况而定。操作是可以在任何一台能够访问到集群的机器上进行的，其中，conf/hadoop-site.xml文件必须设为集群中NameNode的地址。命令可以在安装目录下被运行，安装目录可以是/home/someone/src/hadoop也可以是/home/foo/hadoop，具体随你自己的情况而定。下面介绍的命令，主要是关于将数据导入HDFS，验证数据是不是真的导入了，并将数据导出来。

 

列出文件

 当我们试图使用HDFS的时候，会发现它并没有想象中的有趣：

 

  someone@anynode:hadoop$ bin/hadoop dfs -ls
  someone@anynode:hadoop$

 

没有带参数的这个“-ls”命令，没有返回任何值，它默认返回你在HDFS“home”目录下的内容，这个目录跟我们平常系统上的home目录 “/home/$user”不太一样（HDFS跟本地系统是独立的）。在HDFS中，没有当前工作目录这样的一个概念，也没有cd这个命令。

给-ls一些参数，比如说/,或许可以看到以下的内容：

 

 

 someone@anynode:hadoop$ bin/hadoop dfs -ls /
  Found 2 items
  drwxr-xr-x   - hadoop supergroup          0 2008-09-20 19:40 /hadoop
  drwxr-xr-x   - hadoop supergroup          0 2008-09-20 20:08 /tmp

 

这些结果是由系统产生的，结果中的"hadoop"是我们用来启动的Hadoop的用户，supergroup是包含hadoop的一个组。这些目录允许 Hadoop MapReduce system 将数据移动到不同的结点上。具体的细节在Module 4 中介绍.

我们要创建我们自己的home目录，然后导入一些文件。

 

导入数据

典型的UNIX或Linux将用户文件存储在/home/$user目录下，但是hadoop将用户文件存储在/home/$user下。对于某些命令，例如 ls，目录参数是被要求有的，但实际上却没有填写，这时候的目录参数的值为默认目录。（其他的命令一般要求明确的源路径和目的路径）。在HDFS中使用的相对路径，都是基于刚刚介绍的基本路径的（也即是用户目录）。

 

Step 1: 如果你的用户目录还不存在，那么创建一个吧

 

 

someone@anynode:hadoop$ bin/hadoop dfs -mkdir /user

 

 

如果没有/user目录，那么首先要先创建它。它其实会被自动创建的，但是为了介绍的目的，我们先手动的创建一下这个目录。

下面我们就可以创建我们的home目录了。

 

someone@anynode:hadoop$ bin/hadoop dfs -mkdir /user/someone

 

 

将 /user/someone  改成 /user/yourUserName .

Step 2: 导入一个文件。我们可以使用"put"命令。

 

someone@anynode:hadoop$ bin/hadoop dfs -put /home/someone/interestingFile.txt /user/yourUserName/

 

它将会把 /home/someone/interestingFile.txt从本地文件系统中拷贝到  HDFS的 /user/yourUserName /interestingFile.txt 。

Step 3: 验证刚才的操作。这里我们有两个命令可以使用，它们是等效的:

  someone@anynode:hadoop$ bin/hadoop dfs -ls /user/yourUserName
  someone@anynode:hadoop$ bin/hadoop dfs -ls

 

 

 

你应该能够看见一个文件列表，它的前面是"Found 1 items"的字样，文件列表里面包含了你刚刚插入的文件。

The following table demonstrates example uses of the put command, and their effects:

下面这个列表将展示“put”命令的用法，以及它们的效果。

 

Command: 前提条件: 输出:

bin/hadoop dfs -put foo bar	在 HDFS中没有/user/$User/bar这样的文件存在	将本地文件foo上传到hdfs系统，并命名为/user/$USER/bar
bin/hadoop dfs -put foo bar	/user/$USER/bar 是一个目录	将本地文件foo上传到hdfs系统，并命名为 /user/$USER/bar/foo
bin/hadoop dfs -put foo somedir/somefile	/user/$USER/somedir  不存在	将本地文件foo上传到hdfs系统，并命名为 /user/$USER/somedir/somefile , 创建没有存在的目录
bin/hadoop dfs -put foo bar	/user/$USER/bar 已经是系统中的一个文件	操作无效，系统将返回一个错误给用户。

 

 

 当执行一个"put"操作时，它的结果是要么全做，要么全不做。上传文件的时候，文件首先被拷贝到DataNode节点上。当所有的DataNode都接收完数据的时候，文件句柄被关闭，这个文件才真正的上传完。根据"put"命令的返回值，我们可以知道这个操作是成功了，还是完全失败了。文件不可能会只被上传一半。如果文件上传到一半时，上传操作被中断了，那么hdfs就会当作什么事情也没有发生一样。

 

Step 4: 一次上传多个文件. "put"命令是可以一次上传多个命令的，它能够将一整个目录上传到HDFS中。

创建一个本地目录，然后往里面拷一些文件。情况像下面的那样。

 

  someone@anynode:hadoop$ ls -R myfiles
  myfiles:
  file1.txt  file2.txt  subdir/

  myfiles/subdir:
  anotherFile.txt
  someone@anynode:hadoop$ 

 

 

目录 myfiles/能够这样被拷贝进HDFS中：

 

 someone@anynode:hadoop$ bin/hadoop -put myfiles /user/myUsername
  someone@anynode:hadoop$ bin/hadoop -ls
  Found 1 items
  /user/someone/myfiles   <dir>    2008-06-12 20:59    rwxr-xr-x    someone    supergroup
  user@anynode:hadoop bin/hadoop -ls myfiles
  Found 3 items
  /user/someone/myfiles/file1.txt   <r 1>   186731  2008-06-12 20:59        rw-r--r--       someone   supergroup
  /user/someone/myfiles/file2.txt   <r 1>   168     2008-06-12 20:59        rw-r--r--       someone   supergroup
  /user/someone/myfiles/subdir      <dir>           2008-06-12 20:59        rwxr-xr-x       someone   supergroup

 

 

上面的例子也证明了，这个目录是完全的被拷贝进来了。注意文件路径旁边的<r 1>，里面的数字1 表示备份的数量是1。同时ls命令也列出了文件大小，上传时间，权限，所有者这些信息。

 -put   的另外一种写法是 -copyFromLocal . 它们的功能和用法是一样的。

 

从 HDFS中导出数据

 

  从HDFS中导出数据是有许多的方法的，最简单的那种应该是使用"cat"将一个文件的内容输出到标准输出上。（当然，它也能够作为参数传到程序里面，或者是其他地方）

Step 1: cat 命令 .

 

   在这个例子中，我们假定你已经传了一些文件进入你的HDFS中了。

 

  someone@anynode:hadoop$ bin/hadoop dfs -cat foo
  (contents of foo are displayed here)
  someone@anynode:hadoop$

 

Step 2:  将HDFS中的文件拷贝到本地系统中。

   "get"命令有跟"put"命令相反的功能，它能够将HDFS中文件或目录拷贝到本地系统中。“get”命令的别名叫做copyToLocal .

 

  someone@anynode:hadoop$ bin/hadoop dfs -get foo localFoo
  someone@anynode:hadoop$ ls
  localFoo
  someone@anynode:hadoop$ cat localFoo
  (contents of foo are displayed here)

 

 

  跟 "put"命令一样，"get"操作既可以操作文件，也可以操作目录。

 HDFS的关闭

 如果你想关闭集群上的HDFS系统，你可以在NameNode结点执行以下的命令：

 

someone@namenode:hadoop$ bin/stop-dfs.sh

 

这个命令必须由启动HDFS的用户来执行。

 

HDFS 命令参考

 

当然 bin/hadoop dfs 的命令远不只这几个，不过这些命令已经可以让你开始使用HDFS了。执行没有带参数的bin/hadoop dfs命令，会列出所有的FsShell system的命令。 bin/hadoop dfs -help commandName 会列出某一个具体的命令的用法指南。

所有的命令都作为一个表格列在下面了，这里是这个表格的一些注释：

• italics 表示这个变量是用户应该填的。
• "path"  一个文件名，或者目录名。 
• "path..." 多个文件名，或者多个目录名。
• "file" 任何文件名.
• "src" and "dest"  路径名称。
• "localSrc" and "localDest" 跟上面的路径类似，只不过限定在了本地系统中。其他形式的路径都表示HDFS中的路径。
• 在"[]"里面的参数是可选的。

 

Command Operation

-ls path	Lists the contents of the directory specified by path , showing the names, permissions, owner, size and modification date for each entry.
-lsr path	Behaves like -ls , but recursively displays entries in all subdirectories of path .
-du path	Shows disk usage, in bytes, for all files which match path ; filenames are reported with the full HDFS protocol prefix.
-dus path	Like -du , but prints a summary of disk usage of all files/directories in the path.
-mv src dest	Moves the file or directory indicated by src to dest , within HDFS.
-cp src dest	Copies the file or directory identified by src to dest , within HDFS.
-rm path	Removes the file or empty directory identified by path .
-rmr path	Removes the file or directory identified by path . Recursively deletes any child entries (i.e., files or subdirectories of path ).
-put localSrc dest	Copies the file or directory from the local file system identified by localSrc to dest within the DFS.
-copyFromLocal localSrc dest	Identical to -put
-moveFromLocal localSrc dest	Copies the file or directory from the local file system identified by localSrc to dest within HDFS, then deletes the local copy on success.
-get [-crc] src localDest	Copies the file or directory in HDFS identified by src to the local file system path identified by localDest .
-getmerge src localDest [addnl]	Retrieves all files that match the path src in HDFS, and copies them to a single, merged file in the local file system identified by localDest .
-cat filename	Displays the contents of filename on stdout.
-copyToLocal [-crc] src localDest	Identical to -get
-moveToLocal [-crc] src localDest	Works like -get , but deletes the HDFS copy on success.
-mkdir path	Creates a directory named path in HDFS. Creates any parent directories in path that are missing (e.g., like mkdir -p in Linux).
-setrep [-R] [-w] rep path	Sets the target replication factor for files identified by path to rep . (The actual replication factor will move toward the target over time)
-touchz path	Creates a file at path containing the current time as a timestamp. Fails if a file already exists at path , unless the file is already size 0.
-test -[ezd] path	Returns 1 if path e xists; has z ero length; or is a d irectory, or 0 otherwise.
-stat [format] path	Prints information about path . format is a string which accepts file size in blocks (%b), filename (%n), block size (%o), replication (%r), and modification date (%y, %Y).
-tail [-f] file	Shows the lats 1KB of file on stdout.
-chmod [-R] mode,mode,... path...	Changes the file permissions associated with one or more objects identified by path... . Performs changes recursively with -R . mode is a 3-digit octal mode, or {augo}+/-{rwxX} . Assumes a if no scope is specified and does not apply a umask.
-chown [-R] [owner ][:[group ]] path...	Sets the owning user and/or group for files or directories identified by path... . Sets owner recursively if -R is specified.
-chgrp [-R] group path...	Sets the owning group for files or directories identified by path... . Sets group recursively if -R is specified.
-help cmd	Returns usage information for one of the commands listed above. You must omit the leading '-' character in cmd

 

DFSAdmin 命令参考

''dfs"模块提供了对文件和目录的操作命令，"dfsadmin"则提供了管理整个文件系统的操作。

 全局状态信息:  通过 bin/hadoop dfsadmin -report命令，我们可以得到一份全局状态报告。这份报告包含了HDFS集群的基本信息，当然也有每台机器的一些情况。

 详细的状态信息: 如果你想要知道关于文件的详细信息，你可以使用bin/hadoop dfsadmin -metasave filename 命令，filename是你要查看的文件的名称。NB:它的帮助说，这个命令可以得到NameNode 的主要的结构，这个说法是不恰当的。从这个命令所返回的信息无法得到NameNode的状态。不过，它却说明了，NameNode是怎么样存储HDFS的文件块的。

Safemode: 在Safemode(安全模式) 下，HDFS是只读的。任何的复制，创建，删除操作都是禁止的。在NameNode启动的时候，系统会自动进入这个模式，DataNode 会在这时候注册到NameNode中，并告诉NameNode它们拥有哪些文件块，NameNode由此知道哪些文件块的备份被丢失了。一直到一定百分比的的数量的DataNodes正常工作后，NameNode会退出安全模式。这个百分比在dfs.safemode.threshold.pct 中配置。当达到一定的百分比的时候，安全模式会自动退出，HDFS就允许正常操作了。用户可以通过dfsadmin -safemode what   来操作安全模式，参数what的说明如下：

• enter - 进入安全模式
• leave - 强制NameNode离开安全模式
• get -  返回安全模式是否开启的信息
• wait - 等待，一直到安全模式结束。

改变 HDFS 成员组成 - 删除结点的时候，我们要按步骤的和结点断开链接以保证数据不会丢失。关于decommissioning 命令的一些详细的信息，我们会在后面讨论。

升级 HDFS - 但HDFS从一个版本升级到另外一个版本的时候，NameNode和DataNode使用的文件格式有可能会改变。当你第一次使用新版本的时候，你要使用bin/start-dfs.sh -upgrade告诉Hadoop 去改变HDFS版本（否则，新版本不会生效）。然后它开始升级，你可以通过 bin/hadoop dfsadmin -upgradeProgress 命令来查看版本升级的情况。当然你可以使用bin/hadoop dfsadmin -upgradeProgress details来查看更多的详细信息。当升级过程被阻塞的时候，你可以使用bin/hadoop dfsadmin -upgradeProgress force 来强制升级继续执行（当你使用这个命令的时候，一定要慎重考虑）。

当HDFS升级完毕后，Hadoop依旧保留着旧版本的有关信息，以便你可以方便的对HDFS进行降级操作。你可以使用bin/start-dfs.sh -rollback来执行降级操作。

Hadoop一次只保存一个版本的备份。当新版本运行几天以后还是没有出现什么问题，你就可以使用bin/hadoop dfsadmin -finalizeUpgrade命令把旧版本的备份从系统中删掉了。删除以后rollback 命令就失效了。在另外一次版本升级前，这个操作是一定要做的。

获取帮助  - 跟 dfs 模块是一样的, 你可以使用 bin/hadoop dfsadmin -help命令来获取特定的命令的一些用法。