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。