01 我们一起学大数据

老刘今天开始了大数据Hadoop知识点的复习，Hadoop包含三个模块，这次先分享出Hadoop中的HDFS模块的基础知识点，也算是对今天复习的内容进行一次总结，希望能够给想学大数据的同学一点帮助，也希望能够得到大佬们的批评和指点！（每个点都很重要，都不能忽视）

02 需谨记的知识点

第1点：Hadoop是什么？

Hadoop，它是Apache开发的一个分布式系统基础架构，由三个模块组成：分布式存储的HDFS、分布式计算的MapReduce、资源调度引擎Yarn。

第2点：什么是分布式？

这个问题的回答，老刘是在某个机构看到的，它说的是利用一批通过网络连接的、廉价普通的机器，完成单个机器无法完成的存储、计算任务。

第3点：HDFS是什么？

HDFS，一看就是英文缩写，全称是Hadoop Distributed File System，翻译过来就是Hadoop的分布式文件系统。在HDFS中，大量的文件可以分散的存储在不同的服务器上边，单个文件比较大，单块磁盘块下，可以切分成很多小的block，然后分散存储在不同的服务器上边，各个服务器通过网络连接，形成一个整体

第4点：HDFS命令使用

在老刘看来，至少要记住几个HDFS常用的命令，以免面试官问起来，自己想不起来。

1、查看已创建的文件

hdfs dfs -ls /

2、在hdfs文件系统中创建文件

hdfs dfs -touchz /test.txt

3、查看HDFS文件内容

hdfs dfs -cat /test.txt

4、从本地路径上传文件至HDFS

hdfs dfs -put /本地路径 /hdfs路径

5、在hdfs文件系统中下载文件

hdfs dfs -get /hdfs路径 /本地路径

6、在hdfs文件系统中创建目录

hdfs dfs -mkdir /test01

7、在hdfs文件系统中删除文件

hdfs dfs -rm /edits.txt

这个格外要注意，删除有很多种，这只是其中一种！！！

8、在hdfs文件系统中修改文件名称

hdfs dfs -mv /test.sh /test01.sh

第5点：HDFS核心概念数据块block

什么是HDFS block块？

在HDFS3.0上的文件，它是按照128M为单位，切分成一个个block，分散的存储在集群的不同的不用数据节点DataNode上。

看看上面这张图，就可以知道block是如何分布的。但是这样分布有个非常明显的缺陷，那就是如果其中一个数据节点DataNode1挂掉，它所存储的block就丢失了，所以，为保证数据的可用及容错，HDFS设计成每个block共有三份，即三个副本，并且在hdfs-site.xml中设置副本数：

<property>

  <name>dfs.replication</name>

  <value>3</value>

</property>

那么现在的block存储是这样的：

第6点：画出HDFS架构图

根据这张图就可以知道HDFS是主从架构，Master|Slave或称为管理节点|工作节点。

第7点：说一说NameNode

NameNode，它主要用来管理节点，以及管理HDFS的元数据信息，并且将元数据存储在其内存中。

其中，要知道元数据信息的概念！！！

关于文件或目录的描述信息，如文件所在路径、文件名称、文件类型等等，这些信息称为文件的元数据metadata。

而HDFS元数据信息是文件目录树、整棵树所有的文件和目录、每个文件的块列表、每个block块所在的datanode列表等。其中，每个文件、目录、block占用大概150Byte字节的元数据。

HDFS元数据信息以两种形式保存：①编辑日志edits log②命名空间镜像文件fsimage。其中，fsimage：元数据镜像文件，保存了文件系统目录树信息以及文件和块的对应关系；edits log：日志文件，保存文件系统的更改记录。

在这里，老刘有些话想说，老刘刚开始也对元数据信息不是很在意，可在慢慢学习的过程中，不停地遇到元数据信息这个概念，当时就会纳闷这元数据到底是个什么玩意，于是又回头来重新看浪费了好多时间，所以一定要牢记！！！

第8点：说一说DataNode

DataNode，数据节点，它是用来存储block以及block元数据，此处的元数据包括数据块的长度、块数据的校验和、时间戳。

第9点：说一说Secondary NameNode(注意，不能忽略它）

首先说一下，为什么元数据存储在NameNode在内存中？

因为这样做了后，客户端请求数据的话，可以直接与NameNode读取，读取速度就会特别快。

但是这样做是有问题的，有什么问题呢？

就是一旦系统崩溃就会导致数据丢失。

但是这个问题怎么解决呢？

这里就要说，在NameNode节点中的编辑日志editlog中，记录下来客户端对HDFS的所有更改的记录，一旦系统出故障，可以从editlog进行恢复。

说了这么多，老刘下面就可以好好讲讲Secondary NameNode了。用户操作请求一般是直接卸载内存里面，然后持久化到磁盘里面的fsimage中，磁盘中还会记录日志edits log，随着NameNode的长时间运行，记录日志就会越来越多。但此时NameNode停了，内存中的数据消失了，重新启动NameNode后，它会加载磁盘中的fsimage文件接着合并日志记录文件，然后合并成一个完整的fsimage文件，但如果edits log文件特别多的话，NameNode恢复时间就会特别长，所有为了避免这种情况，就有了Secondary NameNode，它就是辅助NameNode合并元数据，加快NameNode下一次启动的速度。（这里还有一个要说的是，大家是不是很少看到它，举个例子，在ZooKeeper实现的Hadoop HA中，它的活由Standby  NameNode干了）接下里，Secondary NameNode的工作流程就如下图所示：

1、NameNode管理着元数据信息，元数据信息会定期刷新到磁盘中，其中两个文件是edits log操作日志文件和fsimage元数据镜像文件。在产生新的日志操作文件后，它不会立即和fsimage合并，也不会刷到NameNode内存中，而是先会edits log中，当edits文件大小达到一个临界值（64M）或者间隙1小时的时候，checkpoint检查点会触发Secondary NameNode工作。

2、当触发一个checkpoint时，NameNode会生成一个新的edits.new，同时Secondary NameNode会将edits和fsimage复制到本地。

3、Secondary NameNode会将本地的fsimage文件加载到内存中，然后和edits文件进行合并生成一个新的fsimage.ckpt文件。

4、Secondary NameNode将新生成的fsimage.ckpt文件复制到NameNode 节点。

5、在NameNode节点的edits.new和fsimage.ckpt文件会替换掉原来的edits文件和fsimage文件，至此就完成了一个轮回，等待下一个checkpoint触发。

03 总结

今天的大数据Hadoop中的HDFS知识点总结就到这里了，这次是先把HDFS的基础知识点总结了一遍，下次把HDFS的一些架构知识总结分享出来，希望能够对想学大数据的同学有帮助，也希望能够得到大佬的批评和指点。

最后，有事，公众号：努力的老刘，联系；没事，就和老刘一起学大数据。