Python 使用Hadoop 3 之HDFS 总结

hadoop 概述

        hadoop 是一个由apache 软件基金会开发的分布式基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速运算和存储。
        hadoop 实现一个分布式文件系统（hadoop distributed file system, hdfs）。hdfs具有高容错性的特点，并设计它用来部署在廉价的硬件上，而且它提供高吞吐量来访问应用程序的数据，适合那些有着超大数据集的应用程序。hadoop 框架的核心设计是hdfs和mapreduce。hdfs为海量数据提供了存储，而mapreduce则为海量的数据提供了计算。

hadoop 核心三大组件

• hdfs 
• mapreduce
• yarn

基于linux 安装hadoop 3 伪分布式版本/单机版本

请参考文章：centos7 安装hadoop3 单机版本（伪分布式版本）

hdfs 原理 

hdfs采用master/slave架构。

hdfs系统架构图，主要有三个角色，client、namenode、datanode。

hdfs的一些关键元素

• block：将文件分块，通常为64m。
• namenode：是master节点，是大领导。管理数据块映射；处理客户端的读写请求；配置副本策略；管理hdfs的名称空间。保存整个文件系统的目录信息、文件信息及分块信息，由唯一一台主机专门保存。
• secondarynamenode：是一个小弟，分担大哥namenode的工作量；是namenode的冷备份；合并fsimage和fsedits然后再发给namenode。（热备份：b是a的热备份，如果a坏掉。那么b马上运行代替a的工作。冷备份：b是a的冷备份，如果a坏掉。那么b不能马上代替a工作。但是b上存储a的一些信息，减少a坏掉之后的损失。）
• datanode：是slave节点，奴隶，干活的。负责存储client发来的数据块block；执行数据块的读写操作。
• fsimage：元数据镜像文件（文件系统的目录树）
• edits：元数据的操作日志（针对文件系统做的修改操作记录）

hdfs设计重点

1. hdfs 数据备份hdfs被设计成一个可以在大集群中、跨机器、可靠的存储海量数据的框架。它将所有文件存储成block块组成的序列，除了最后一个block块，所有的block块大小都是一样的。
2. hdfs中的文件默认规则是write one（一次写、多次读）的，并且严格要求在任何时候只有一个writer。
3. namenode全权管理数据块的复制，它周期性地从集群中的每个datanode接受心跳信号和块状态报告（blockreport）。接收到心跳信号以为该datanode工作正常，块状态报告包含了一个该datanode上所有数据块的列表。
4. namenode内存中存储的是=fsimage+edits。secondarynamenode负责定时（默认1小时）从namenode上，获取fsimage和edits来进行合并，然后再发送给namenode。减少namenode的工作量。

hdfs 文件写入 

client向namenode发起文件写入的请求。

1. namenode根据文件大小和文件块配置情况，返回给client它所管理部分datanode的信息。
2. client将文件划分为多个block块，并根据datanode的地址信息，按顺序写入到每一个datanode块中。

实例讲解：有一个文件filea，100m大小。client将filea写入到hdfs上。

hadoop 环境配置说明：

1. hdfs分布在三个机架上rack1，rack2，rack3。

文件写入过程如下：

1. client将filea按64m分块。分成两块，block1和block2;
2. client向namenode发送写数据请求，如图蓝色虚线①------>。
3. namenode节点，记录block信息。并返回可用的datanode，如粉色虚线②--------->。
   1. block1: host2,host1,host3
   2. block2: host7,host8,host4
   3. 原理：
      1. namenode具有rackaware机架感知功能，这个可以配置。
      2. 若client为datanode节点，那存储block时，规则为：副本1，同client的节点上；副本2，不同机架节点上；副本3，同第二个副本机架的另一个节点上；其他副本随机挑选。
      3. 若client不为datanode节点，那存储block时，规则为：副本1，随机选择一个节点上；副本2，不同副本1，机架上；副本3，同副本2相同的另一个节点上；其他副本随机挑选。
4. client向datanode发送block1；发送过程是以流式写入。流式写入过程如下：
   1. 将64m的block1按64k的package划分;
   2. 然后将第一个package发送给host2;
   3. host2接收完后，将第一个package发送给host1，同时client想host2发送第二个package；
   4. host1接收完第一个package后，发送给host3，同时接收host2发来的第二个package。
   5. 以此类推，如图红线实线所示，直到将block1发送完毕。
   6. host2,host1,host3向namenode，host2向client发送通知，说“消息发送完了”。如图粉红颜色实线所示。
   7. client收到host2发来的消息后，向namenode发送消息，说我写完了。这样就真完成了。如图黄色粗实线
   8. 发送完block1后，再向host7、host8、host4发送block2，如图蓝色实线所示。
   9. 发送完block2后，host7、host8、host4向namenode，host7向client发送通知，如图浅绿色实线所示。
   10. client向namenode发送消息，说我写完了，如图黄色粗实线。。。这样就完毕了。
5. 分析：通过写过程，我们可以了解到
   1. 写1t文件，我们需要3t的存储，3t的网络流量贷款。
   2. 在执行读或写的过程中，namenode和datanode通过heartbeat进行保存通信，确定datanode活着。如果发现datanode死掉了，就将死掉的datanode上的数据，放到其他节点去。读取时，要读其他节点去。
   3. 挂掉一个节点，没关系，还有其他节点可以备份；甚至，挂掉某一个机架，也没关系；其他机架上，也有备份。

hdfs 文件读取

client向namenode发起文件读取的请求。

1. client向namenode发起文件读取的请求。
2. namenode返回文件存储的block块信息、及其block块所在datanode的信息。
3. client读取文件信息。

如图所示，client要从datanode上，读取filea。而filea由block1和block2组成。读操作流程如下：

1. client向namenode发送读请求。
2. namenode查看metadata信息，返回filea的block的位置。
   1. block1:host2,host1,host3
   2. block2:host7,host8,host4
3. block的位置是有先后顺序的，先读block1，再读block2。而且block1去host2上读取；然后block2，去host7上读取。

上面例子中，client位于机架外，那么如果client位于机架内某个datanode上，例如,client是host6。那么读取的时候，遵循的规律是：优选读取本机架上的数据。

hdfs 数据备份

备份数据的存放是hdfs可靠性和性能的关键。hdfs采用一种称为rack-aware的策略来决定备份数据的存放。

通过一个称为rack awareness的过程，namenode决定每个datanode所属rack id。

缺省情况下，一个block块会有三个备份：

1. 一个在namenode指定的datanode上
2. 一个在指定datanode非同一rack的datanode上
3. 一个在指定datanode同一rack的datanode上。

这种策略综合考虑了同一rack失效、以及不同rack之间数据复制性能问题。

副本的选择：为了降低整体的带宽消耗和读取延时，hdfs会尽量读取最近的副本。如果在同一个rack上有一个副本，那么就读该副本。如果一个hdfs集群跨越多个数据中心，那么将首先尝试读本地数据中心的副本。

hdfs shell 命令

hdfs shell 简介

        调用文件系统(hdfs)shell命令应使用 bin/hadoop fs <args>的形式。 所有的的fs shell命令使用uri路径作为参数。uri格式是scheme://authority/path。对hdfs文件系统，scheme是hdfs，对本地文件系统，scheme是file。其中scheme和authority参数都是可选的，如果未加指定，就会使用配置中指定的默认scheme。

hdfs shell 命令详解

cat

使用方法：hadoop fs -cat uri [uri …]

将路径指定文件的内容输出到stdout。

示例：

• hadoop fs -cat hdfs://host1:port1/file1 hdfs://host2:port2/file2
• hadoop fs -cat file:///file3 /user/hadoop/file4

返回值：
成功返回0，失败返回-1。

chgrp

使用方法：hadoop fs -chgrp [-r] group uri [uri …] change group association of files. with -r, make the change recursively through the directory structure. the user must be the owner of files, or else a super-user. additional information is in the permissions user guide. -->

改变文件所属的组。使用-r将使改变在目录结构下递归进行。命令的使用者必须是文件的所有者或者超级用户。更多的信息请参见hdfs权限用户指南。

chmod

使用方法：hadoop fs -chmod [-r] <mode[,mode]... | octalmode> uri [uri …]

改变文件的权限。使用-r将使改变在目录结构下递归进行。命令的使用者必须是文件的所有者或者超级用户。更多的信息请参见hdfs权限用户指南。

chown

使用方法：hadoop fs -chown [-r] [owner][:[group]] uri [uri ]

改变文件的拥有者。使用-r将使改变在目录结构下递归进行。命令的使用者必须是超级用户。更多的信息请参见hdfs权限用户指南。

copyfromlocal

使用方法：hadoop fs -copyfromlocal <localsrc> uri

除了限定源路径是一个本地文件外，和put命令相似。

copytolocal

使用方法：hadoop fs -copytolocal [-ignorecrc] [-crc] uri <localdst>

除了限定目标路径是一个本地文件外，和get命令类似。

cp

使用方法：hadoop fs -cp uri [uri …] <dest>

将文件从源路径复制到目标路径。这个命令允许有多个源路径，此时目标路径必须是一个目录。
示例：

• hadoop fs -cp /user/hadoop/file1 /user/hadoop/file2
• hadoop fs -cp /user/hadoop/file1 /user/hadoop/file2 /user/hadoop/dir

返回值：

成功返回0，失败返回-1。

du

使用方法：hadoop fs -du uri [uri …]

显示目录中所有文件的大小，或者当只指定一个文件时，显示此文件的大小。
示例：
hadoop fs -du /user/hadoop/dir1 /user/hadoop/file1 hdfs://host:port/user/hadoop/dir1
返回值：
成功返回0，失败返回-1。

dus

使用方法：hadoop fs -dus <args>

显示文件的大小。

expunge

使用方法：hadoop fs -expunge

清空回收站。请参考hdfs设计文档以获取更多关于回收站特性的信息。

get

使用方法：hadoop fs -get [-ignorecrc] [-crc] <src> <localdst>

复制文件到本地文件系统。可用-ignorecrc选项复制crc校验失败的文件。使用-crc选项复制文件以及crc信息。

示例：

• hadoop fs -get /user/hadoop/file localfile
• hadoop fs -get hdfs://host:port/user/hadoop/file localfile

返回值：

成功返回0，失败返回-1。

getmerge

使用方法：hadoop fs -getmerge <src> <localdst> [addnl]

接受一个源目录和一个目标文件作为输入，并且将源目录中所有的文件连接成本地目标文件。addnl是可选的，用于指定在每个文件结尾添加一个换行符。

ls

使用方法：hadoop fs -ls <args>

如果是文件，则按照如下格式返回文件信息：
文件名 <副本数> 文件大小 修改日期 修改时间 权限 用户id 组id
如果是目录，则返回它直接子文件的一个列表，就像在unix中一样。目录返回列表的信息如下：
目录名 <dir> 修改日期 修改时间 权限 用户id 组id
示例：
hadoop fs -ls /user/hadoop/file1 /user/hadoop/file2 hdfs://host:port/user/hadoop/dir1 /nonexistentfile
返回值：
成功返回0，失败返回-1。

lsr

使用方法：hadoop fs -lsr <args>
ls命令的递归版本。类似于unix中的ls -r。

mkdir

使用方法：hadoop fs -mkdir <paths>

接受路径指定的uri作为参数，创建这些目录。其行为类似于unix的mkdir -p，它会创建路径中的各级父目录。

示例：

• hadoop fs -mkdir /user/hadoop/dir1 /user/hadoop/dir2
• hadoop fs -mkdir hdfs://host1:port1/user/hadoop/dir hdfs://host2:port2/user/hadoop/dir

返回值：

成功返回0，失败返回-1。

movefromlocal

使用方法：dfs -movefromlocal <src> <dst>

输出一个”not implemented“信息。

mv

使用方法：hadoop fs -mv uri [uri …] <dest>

将文件从源路径移动到目标路径。这个命令允许有多个源路径，此时目标路径必须是一个目录。不允许在不同的文件系统间移动文件。
示例：

• hadoop fs -mv /user/hadoop/file1 /user/hadoop/file2
• hadoop fs -mv hdfs://host:port/file1 hdfs://host:port/file2 hdfs://host:port/file3 hdfs://host:port/dir1

返回值：

成功返回0，失败返回-1。

put

使用方法：hadoop fs -put <localsrc> ... <dst>

从本地文件系统中复制单个或多个源路径到目标文件系统。也支持从标准输入中读取输入写入目标文件系统。

• hadoop fs -put localfile /user/hadoop/hadoopfile
• hadoop fs -put localfile1 localfile2 /user/hadoop/hadoopdir
• hadoop fs -put localfile hdfs://host:port/hadoop/hadoopfile
• hadoop fs -put - hdfs://host:port/hadoop/hadoopfile
  从标准输入中读取输入。

返回值：

成功返回0，失败返回-1。

rm

使用方法：hadoop fs -rm uri [uri …]

删除指定的文件。只删除非空目录和文件。请参考rmr命令了解递归删除。
示例：

• hadoop fs -rm hdfs://host:port/file /user/hadoop/emptydir

返回值：

成功返回0，失败返回-1。

rmr

使用方法：hadoop fs -rmr uri [uri …]

delete的递归版本。
示例：

• hadoop fs -rmr /user/hadoop/dir
• hadoop fs -rmr hdfs://host:port/user/hadoop/dir

返回值：

成功返回0，失败返回-1。

setrep

使用方法：hadoop fs -setrep [-r] <path>

改变一个文件的副本系数。-r选项用于递归改变目录下所有文件的副本系数。

示例：

• hadoop fs -setrep -w 3 -r /user/hadoop/dir1

返回值：

成功返回0，失败返回-1。

stat

使用方法：hadoop fs -stat uri [uri …]

返回指定路径的统计信息。

示例：

• hadoop fs -stat path

返回值：
成功返回0，失败返回-1。

tail

使用方法：hadoop fs -tail [-f] uri

将文件尾部1k字节的内容输出到stdout。支持-f选项，行为和unix中一致。

示例：

• hadoop fs -tail pathname

返回值：
成功返回0，失败返回-1。

test

使用方法：hadoop fs -test -[ezd] uri

选项：
-e 检查文件是否存在。如果存在则返回0。
-z 检查文件是否是0字节。如果是则返回0。
-d 如果路径是个目录，则返回1，否则返回0。

示例：

• hadoop fs -test -e filename

text

使用方法：hadoop fs -text <src>

将源文件输出为文本格式。允许的格式是zip和textrecordinputstream。

touchz

使用方法：hadoop fs -touchz uri [uri …]

创建一个0字节的空文件。

示例：

• hadoop -touchz pathname

返回值：
成功返回0，失败返回-1。

hdfs python api

hdfs 除了通过hdfs shell 命令的方式进行操作，还可以通过java api、python api、c++ api等方式进行编程操作。在使用python api 编程前，需要安装hdfs 依赖的第三方库：pyhdfs

pyhdfs 

官方文档地址:https://pyhdfs.readthedocs.io/en/latest/pyhdfs.html

原文简介:

webhdfs client with support for nn ha and automatic error checking

for details on the webhdfs endpoints, see the hadoop documentation:

https://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/webhdfs.html
https://hadoop.apache.org/docs/current/api/org/apache/hadoop/fs/filesystem.html
https://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-common/filesystem/filesystem.html

大致意思是:pyhdfs 模块/库使用webhdfs 客户端连接hdfs，支持nn ha  和自动错误检测，详细使用参考官方文档地址。

pyhdfs 核心类

python 3 使用 pyhdfs（重点是hdfsclient 类）

安装pyhdfs 模块/库

pip install pyhdfs

pyhdfs 使用实例

# _*_ coding : utf-8_*_
# 开发者 ： zhuozhiwengang
# 开发时间 : 2023/8/11 22:35
# 文件名称 : pythonhdfs_1
# 开发工具 : pycharm

import pyhdfs

# 基于pyhdfs 模块, 连接hadoop 主机:9870 端口
fs = pyhdfs.hdfsclient(hosts="192.168.43.11:9870", user_name="root")

# 返回用户根目录
print(fs.get_home_directory())

# 返回可用namenode节点
print(fs.get_active_namenode())

# 返回指定目录下所有文件
print(fs.listdir("/"))

# hadoop 创建指定目录
fs.mkdirs('/uploads')

# 再次执行返货指定目录下所有文件
print(fs.listdir("/"))

# 执行本地文件上传hadoop 指定目录
# fs.copy_from_local("d:\one.txt", '/uploads/one.txt')

# 执行hadoop 文件下载
# fs.copy_to_local("/uploads/one.txt", r'd:\two.txt')

# 判断目录是否存在
print(fs.exists("/uploads"))
# 返回目录下的所有目录，路径，文件名
print(list(fs.walk('/uploads')))

# 删除目录/文件
fs.delete("/uploads", recursive=true)  # 删除目录  recursive=true
fs.delete("/uploads/one.txt")  # 删除文件

python 3 通用封装 pyhdfs

# _*_ coding : utf-8_*_
# 开发者 ： zhuozhiwengang
# 开发时间 : 2023/8/11 22:35
# 文件名称 : pythonhdfs
# 开发工具 : pycharm

import sys
import pyhdfs

class hdfs:
    def __init__(self, host='192.168.43.11',user_name='root'):
        self.host = host
        self.user_name=user_name

    def get_con(self):
        try:
            hdfs = pyhdfs.hdfsclient(hosts = self.host,user_name = self.user_name)
            return hdfs
        except pyhdfs.hdfsexception,e:
            print "error:%s" % e

    # 返回指定目录下的所有文件
    def listdir(self,oper):
        try:
            client = self.get_con()
            dirs = client.listdir(oper)
            for row in dirs:
                print row
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 返回用户的根目录
    def get_home_directory(self):
        try:
            client = self.get_con()
            print client.get_home_directory()
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e


    # 返回可用的namenode节点
    def get_active_namenode(self):
        try:
            client = self.get_con()
            print client.get_active_namenode()
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 创建新目录
    def mkdirs(self,oper):
        try:
            client = self.get_con()
            print client.mkdirs(oper)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 从集群上copy到本地
    def copy_to_local(self, dest,localsrc):
        try:
            client = self.get_con()
            print client.copy_to_local(dest,localsrc)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 从本地上传文件至集群
    def copy_from_local(self, localsrc, dest):
        try:
            client = self.get_con()
            print client.copy_from_local(localsrc, dest)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e


    # 查看文件内容
    def read_files(self,oper):
        try:
            client = self.get_con()
            response = client.open(oper)
            print response.read()
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 向一个已经存在的文件追加内容
    def append_files(self, file,content):
        try:
            client = self.get_con()
            print client.append(file,content)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 查看是否存在文件
    def check_files(self,oper):
        try:
            client = self.get_con()
            print client.exists(oper)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 查看文件的校验和
    def get_file_checksum(self,oper):
        try:
            client = self.get_con()
            print client.get_file_checksum(oper)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 查看路径总览信息
    def get_content_summary(self,oper):
        try:
            client = self.get_con()
            print client.get_content_summary(oper)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 查看当前路径的状态
    def list_status(self,oper):
        try:
            client = self.get_con()
            print client.list_status(oper)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

    # 删除文件
    def delete_files(self,path):
        try:
            client = self.get_con()
            print client.delete(path)
        except pyhdfs.hdfsexception, e:
            print "error:%s" % e

if __name__ == '__main__':
    db = hdfs('hadoop3-master','root')
    # db.listdir('/user')
    # db.get_home_directory()
    # db.get_active_namenode()
    # db.mkdirs('/dave')
    # db.copy_from_local("d:/one.txt","/uploads/two.txt")
    # db.listdir('/uploads')
    # db.read_files('/uploads/two.txt')
    # db.check_files('/uploads/two.txt')
    # db.get_file_checksum('/uploads/two.txt')
    # db.get_content_summary('/')
    # db.list_status('/')
    # db.list_status('/uploads/two.txt')
    # db.copy_to_local("/uploads/two.txt","d:/one.txt")
    # db.append_files('/uploads/two.txt',"88, csdn 博客")
    # db.read_files('/uploads/two.txt')
    # db.copy_from_local("d:/three.txt", "/uploads/two.txt")
    db.listdir('/uploads')
    # db.delete_files('/uploads/two.txt')