1.集群间数据拷贝
方法一:scp命令,这个在hadoop完全分布式运行模式一文中有介绍。
方法二:采用distcp命令实现两个Hadoop集群之间的递归数据复制
举例如下,将hello.txt文件从102集群拷贝到103,二者都是namenode所在节点主机名
bin/hadoop distcp hdfs://hadoop102:9000/user/hello.txt hdfs://hadoop103:9000/user/hello.txt
2.小文件归档
2.1HDFS存储小文件的弊端
每个文件按块存储,每个块的元数据存储在NameNode的内存之中,因此HDFS存储小文件会非常低效。因为大量的小文件会耗尽NameNode中的大部分内存,但注意,存储小文件所需要的磁盘容量和数据块的大小无关。例如:一个1MB的文件设置为128MB的块存储,实际使用的是1MB的磁盘空间,而不是128MB.
2.2解决存储小文件的办法之一
HDFS存档文件或HAR文件,是一个更高效的文件存档工具,它将文件存入HDFS块,在减少NameNode内存使用的同时,允许对文件进行透明的访问。具体来说,HDFS存档文件对内还是一个一个独立的文件,对NameNode而言却是一个整体,减少了NameNode的内存。
案例实操
1)需要启动YARN进程
start-yarn.sh
2)归档文件
将/user/input目录下面的所有文件归档成一个叫input.har的归档文件,并把归档后文件存储到/user/output路径下
bin/hadoop archive -archiveName input.har -p /user/input /user/output
3)查看归档
hadoop fs -lsr /user/output/input.har hadoop fs -lsr har:///user/output/input.har
4)解归档文件
hadoop fs -cp har:///user/output/input.har/* /user/
3.回收站
开启回收站功能,可以将删除的文件在不超时的情况下,恢复原数据,起到防止误删除、备份等作用。
启用回收站:
core-site.xml文件,配置垃圾回收时间为1分钟。
<property>
<name>fs.trash.interval</name>
<value>1</value>
</property>
查看回收站:
回收站在集群中的路径:/user/root/.Trash/..
修改访问垃圾回收站用户名称
进入垃圾回收站用户名称,默认是dr.who,修改为root用户
core-site.xml文件
<property>
<name>hadoop.http.staticuser.user</name>
<value>root</value>
</property>
通过程序删除的文件不会经过回收站,需要调用moveToTrash才进入回收站
Trash trash = New Trash(conf);
trash.moveToTrash(path);
恢复回收站数据
hadoop fs -mv /user/root/.Trash/Current/user/root/input /user/root/input
清空回收站
hadoop fs -expunge
4.快照管理
申明:本文内容源自本人听阿里云官网的大数据社区相关网课