HDFS基本命令

接触大数据挺长时间了，项目刚刚上完线，趁着空闲时间整理下大数据hadoop、Hbase等常用命令以及各自的优化方式，当做是一个学习笔记吧。

HDFS命令基本格式：Hadoop  fs  -cmd < args >

ls 命令

hadoop fs -ls /  列出hdfs文件系统根目录下的目录和文件

hadoop fs -ls -R /  递归列出hdfs文件系统所有的目录和文件

put 命令

hadoop fs -put < local file > < hdfs file >  本地文件上传到HDFS

hadoop fs -put < local file or dir >...< hdfs dir >  多个本地文件或目录上传到HDFS

moveFromLocal 命令

hadoop fs -moveFromLocal < local src > ... < hdfs dst > 与put相类似，命令执行后源文件local src 被删除，也可以从从键盘读取输入到hdfs file中

copyFromLocal 命令

hadoop fs -copyFromLocal < local src > ... < hdfs dst > 与put相类似，也可以从从键盘读取输入到hdfs file中

get 命令

hadoop fs -get < hdfs file > < local file or dir> local file，不能和hdfs file名字不能相同，否则会提示文件已存在，没有重名的文件会复制到本地

hadoop fs -get < hdfs file or dir > ... < local dir > 拷贝多个文件或目录到本地时，本地要为文件夹路径

copyToLocal 命令

hadoop fs -copyToLocal < local src > ... < hdfs dst > 与get相类似

rm 命令

hadoop fs -rm < hdfs file > ... hadoop fs -rm -r < hdfs dir>... 每次可以删除多个文件或目录

mkdir 命令

hadoop fs -mkdir < hdfs path>  只能一级一级的建目录，父目录不存在的话使用这个命令会报错hadoop fs -mkdir -p < hdfs path> 所创建的目录如果父目录不存在就创建该父目录

cp 命令

hadoop fs -cp < hdfs file > < hdfs file >  目标文件不能存在，否则命令不能执行，相当于给文件重命名并保存，源文件还存在。

hadoop fs -cp < hdfs file or dir >... < hdfs dir > 目标文件夹要存在，否则命令不能执行

mv 命令

hadoop fs -mv < hdfs file > < hdfs file > 目标文件不能存在，否则命令不能执行，相当于给文件重命名并保存，源文件不存在hadoop fs -mv < hdfs file or dir >... < hdfs dir > 源路径有多个时，目标路径必须为目录，且必须存在。

du 命令

hadoop fs -du < hdsf path>

显示hdfs对应路径下每个文件夹和文件的大小hadoop fs -du -s < hdsf path> 显示hdfs对应路径下所有文件和的大小hadoop fs -du -h < hdsf path>

setrep 命令

hadoop fs -setrep -R 3 < hdfs path > 改变一个文件在hdfs中的副本个数，上述命令中数字3为所设置的副本个数，-R选项可以对一个人目录下的所有目录+文件递归执行改变副本个数的操作

tail 命令

hadoop fs -tail < hdfs file > 在标准输出中显示文件末尾的1KB数据archive 命令

hadoop archive -archiveName name.har -p < hdfs parent dir > < src >* < hdfs dst > 命令中参数。

name：压缩文件名，自己任意取；< hdfs parent dir > ：压缩文件所在的父目录；< src >：要压缩的文件名；< hdfs dst >：压缩文件存放路径，*示例：hadoop archive -archiveName hadoop.har -p /user 1.txt 2.txt /des ，示例中将hdfs中/user目录下的文件1.txt，2.txt压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下，如果1.txt，2.txt不写就是将/user目录下所有的目录和文件压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下显示har的内容可以用如下命令：hadoop fs -ls /des/hadoop.jar 显示har压缩的是那些文件可以用如下命令hadoop fs -ls -R har:///des/hadoop.har

JavaAPI访问HDFS

FileSystem类主要方法：

get()，create()，append()，listStatus()，copyFromLocal()

HDFS日常管理

安全模式

☆集群启动后处于安全模式，直到副本数满足阀值要求才退出

☆命令：Hadoop dfsadmin –safemode enter|leave|get|wait

☆只能浏览不能修改

☆通常在系统维护之前使用

HDFS日常管理

☆集群基本信息报告：

Hadoop dfsadmin –report

☆动态刷新

host配置：hadoop dfsadmin –refreshNodes

☆节点间数据均衡：hadoop balancer

☆目录配额：hadoop dfsadmin -setQuota  文件个数

hadoop dfsadmin – setSpaceQuota  空间大小

HDFS日常管理-文件系统检查

☆命令：hadoop fsck <path> [-move | -delete | -openforwrite] [-files [-blocks [-locations -racks]]]

<path>  检查这个目录中的文件是否完整

-move 破损的文件移至/lost+found目录

-delete删除破损的文件

-openforwrite打印正在打开写操作的文件

-files打印正在check的文件名

-blocks打印block报告(需要和-files参数一起使用)

-locations打印每个block的位置信息(需要和-files参数一起使用)

-racks打印位置信息的网络拓扑图(需要和-files参数一起使用)

HDFS调优

☆dfs.block.size

建议512MB，太小的blocksize会增加NameNode负担

☆dfs.namenode.handler.count

根据CPU数和内存数设置，推荐100，较大的值可提升文件处理吞吐量

☆dfs.datanode.handler.count DataNode

的接收和发送数据的处理线程数，推荐200，受磁盘繁忙情况制约

☆dfs.data.dir DataNode

存储Block文件的目录，设置为多个可提升DataNode吞吐量，多目录以逗号分割

☆dfs.heartbeat.interval和heartbeat.recheck.interval

DN与NN心跳间隔，计算公式：timeout  = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval

☆dfs.datanode.max.xcievers DataNode

可同时处理的最大文件数

☆io.file.buffer.size

读写缓冲区大小，通常设置为65536以上，可减少IO次数

☆io.bytes.per.checksum

每校验码所校验的字节数，默认512字节，不要超过io.file.buffer.size

HBase

Rowkey设计原则

•长度原则

–Rowkey最长64kb。以byte[]存储，建议rowkey越短越好，不要超过16字节

•散列原则

–加盐

–哈希

–反转

–时间戳反转

•唯一原则，rowKey必须保证唯一

参数优化

处理线程优化

增加handler个数

参数hbase.regionserver.handler.count配置的是region server开启的处理对用户表的请求的线程个数，默认值是10。设置该值的原则是：如果每个请求的负载达到MB，如大的put，scan caching设置很大的scan，那么保持该值比较小；否则，如果负载小，如get，小的put，increment，delete，把该值设大。

缓冲大小

hfile.block.cache.size

regionserver cache的大小，默认是0.2，是整个堆内存的多少比例作为regionserver的cache，调大该值会提升查询性能，当然也不能过大，如果我们的hbase基本都是大量的查询，写入不是很多的话，调到0.5也就够了，说到这个值，有一个地方需要说明一下，如果生产环境有mapred任务去scan hbase的时候，一些要在mapred scan类中加一个scan.setCacheBlocks(false)，避免由于mapred使用regionserver的cache都被替换，造成hbase的查询性能明显下降。

Memstore

hbase.hregion.memstore.flush.size

一个regionserver的单个region memstore的大小，默认是64M，在hbase结构中,一个regionserver管理多个region，一个region对应一个hlog和多个store，一个store对应多个storefile和一个memstore，这里的hbase.hregion.memstore.flush.size意思是一个region下面的所有store里面的memstore的达到多少时，开始将这些memstore flush到hdfs中去，配置这个值，需要参考一下，平均每个regionserver管理的region数量，如果每台regionsever管理的region不多的话，可以适当的调大该值，如512M时再flush。

hbase.regionserver.global.memstore.upperLimit/hbase.regionserver.global.me

mstore.lowerLimit

配置一台regionserver所有memstore占整个堆的最大比例，默认是0.4/0.35，二个值的差异在于是做局部的flush，还是全部flush，如果我们的regionserver日志中，频发出现因为超过hbase.regionserver.global.memstore.lowerLimit而做flush的信息，我觉得有必要调小hbase.hregion.memstore.flush.size，或者适当调大这二个值，当然hbase.regionserver.global.memstore.upperLimit和hfile.block.cache.size的和不能大于1，到0.8我觉得已经够大了。如果我们的jvm内存回收是使用cms的话，有一个值CMSInitiatingOccupancyFraction（内存使用到时多少时，一始cms回收内存）的大小和觉得和这个有关系，略小于hbase.regionserver.global.memstore.upperLimit和hfile.block.cache.size的和是一个不错的选择。

Compaction

•hbase.hstore.compactionThreshold/hbase.hregion.majorcompaction

hbase.hstore.compactionThreshold执行compaction的store数量，默认值是3，如果需要提高查询性能，当然是storefile的数量越小，性能越好，但是执行compaction本身有性能资源的开消，如果regionserver频繁在compacion对性能影响也很大。hbase.hregion.majorcompaction表示majorcompaction的周期，默认是1 天，majorcompaction与普通的compaction的区别是majorcompaction会清除过期的历史版本数据，同时合并storefile，而普通的compaction只做合并，通常都是majorcompaction，调为0，然后手工定期的去执行一下majorcompaction，适当调小点compacionThreshold。

Region

•hbase.hregion.max.filesize

配置region大小，0.94.12版本默认是10G，region的大小与集群支持的总数据量有关系，如果总数据量小，则单个region太大，不利于并行的数据处理，如果集群需支持的总数据量比较大，region太小，则会导致region的个数过多，导致region的管理等成本过高，如果一个RS配置的磁盘总量为3T*12=36T数据量，数据复制3份，则一台RS服务器可以存储10T的数据，如果每个region最大为10G，则最多1000个region，如此看，94.12的这个默认配置还是比较合适的，不过如果要自己管理split，则应该调大该值，并且在建表时规划好region数量和rowkey设计，进行region预建，做到一定时间内，每个region的数据大小在一定的数据量之下，当发现有大的region，或者需要对整个表进行region扩充时再进行split操作，一般提供在线服务的hbase集群均会弃用hbase的自动split，转而自己管理split。