文章目录
（155）纠删码原理
纠删码原理
默认情况下，一个文件在HDFS里会保留3个副本，以此提高数据的可靠性（容灾），但也带来了2倍的存储上的冗余开销。
于是Hadoop3.x引入了纠删码，采用计算的方式来提高数据的可靠性，可以节省50%左右的存储空间。
如上图（黄色部分），默认情况下，对于一个300M大小的文件，实际上HDFS会消耗300M*3=900M的空间来存储。
那纠删码是怎么做的呢？（上图中绿色部分）
对于一个300M大小的文件，会拆分成3个数据单元和2个校验单元，每个单元占用100M，总共占用500M。（占用空间比默认情况下要少）
那纠删码是怎么保障数据的可靠性的呢？
如果其中任意两个单元挂掉，不管是校验单元还是数据单元，其他还存活的单元仍然可以通过计算的方式，将挂掉的单元恢复出来，不影响数据的正常使用。
因此纠删码属于是 节省了物理存储空间，但是牺牲了集群的计算资源 。这个优缺点要注意，因为一般来讲，计算资源更重要些，所以纠删码的应用场景相对会比较窄。
这里其实有个问题，就是纠删码能够恢复的上限是多少，即最多允许在丢失多少个单元的情况下，能够完成数据恢复？
这个教程里没有讲，我简单查了一下，是不超过校验单元的数量就可以，比如说上例里，校验单元数量为2，如果丢失3个及以上数量的单元，就没法恢复了。
纠删码相关命令
hdfs ec：查看帮助文档；
hdfs ec -listPolicies：列出所有支持的纠删码策略；
hdfs ec -getPolicy -path <path>：获取某一个路径的纠删码策略。可以看到纠删码策略很灵活啊，是可以分路径来配置不同的策略。
hdfs ec -setPolicy -path <path> -policy <policy>：对某一个路径设置纠删码策略；
其他不表。
查看当前支持的纠删码策略：
[atguigu@hadoop102 hadoop-3.1.3] hdfs ec -listPolicies
Erasure Coding Policies:
ErasureCodingPolicy=[Name=RS-10-4-1024k, Schema=[ECSchema=[Codec=rs, numDataUnits=10, numParityUnits=4]], CellSize=1048576, Id=5], State=DISABLED
ErasureCodingPolicy=[Name=RS-3-2-1024k, Schema=[ECSchema=[Codec=rs, numDataUnits=3, numParityUnits=2]], CellSize=1048576, Id=2], State=DISABLED
ErasureCodingPolicy=[Name=RS-6-3-1024k, Schema=[ECSchema=[Codec=rs, numDataUnits=6, numParityUnits=3]], CellSize=1048576, Id=1], State=ENABLED
ErasureCodingPolicy=[Name=RS-LEGACY-6-3-1024k, Schema=[ECSchema=[Codec=rs-legacy, numDataUnits=6, numParityUnits=3]], CellSize=1048576, Id=3], State=DISABLED
ErasureCodingPolicy=[Name=XOR-2-1-1024k, Schema=[ECSchema=[Codec=xor, numDataUnits=2, numParityUnits=1]], CellSize=1048576, Id=4], State=DISABLED
可以看到，当前启用的纠删码策略只有一个，即RS-6-3-1024k。因为只有它是State=ENABLED。
纠删码策略解释
RS-3-2-1024k ：使用RS编码，每3个数据单元，生成2个校验单元，共5个单元，也就是说：这5个单元中，只要有任意的3个单元存在（不管是数据单元还是校验单元，只要总数=3），就可以得到原始数据。每个单元的大小是1024k=1024*1024=1048576。
RS-10-4-1024k：使用RS编码，每10个数据单元（cell），生成4个校验单元，共14个单元，也就是说：这14个单元中，只要有任意的10个单元存在（不管是数据单元还是校验单元，只要总数=10），就可以得到原始数据。每个单元的大小是1024k=1024*1024=1048576。
RS-6-3-1024k：使用RS编码，每6个数据单元，生成3个校验单元，共9个单元，也就是说：这9个单元中，只要有任意的6个单元存在（不管是数据单元还是校验单元，只要总数=6），就可以得到原始数据。每个单元的大小是1024k=1024*1024=1048576。
RS-LEGACY-6-3-1024k：策略和上面的RS-6-3-1024k一样，只是编码的算法用的是rs-legacy。
XOR-2-1-1024k：使用XOR编码（速度比RS编码快），每2个数据单元，生成1个校验单元，共3个单元，也就是说：这3个单元中，只要有任意的2个单元存在（不管是数据单元还是校验单元，只要总数= 2），就可以得到原始数据。每个单元的大小是1024k=1024*1024=1048576。
这里的1024K怎么理解哈，以RS-3-2-1024K策略为例解释一下。
可以简单的理解成是大单元和小单元的区别。或者把1024K理解成一个常规情况下的最小size。
可以认为，1024K是一个小单元的大小，假设你有300M数据，要划分成3个大数据单元，那么每个大数据单元就包含了100个小数据单元。
假设你有2M数据，那就只能划分出2个小数据单元，分别分给2个大数据单元，每个大数据单元只有一个小数据单元。
假设你有1M以内的数据，那就最终都放在一个大的数据单元里。
（156）纠删码案例实操
纠删码策略是给具体一个路径设置。所有在此路径下存储的文件，都会执行此策略。
默认只开启对RS-6-3-1024K策略的支持，其他策略如果想使用，必须要先手动开启。
教程里接下来的示例，都是以RS-3-2-1024K为例讲解，因为这样只需要5台节点就可以了。
具体步骤
（1）开启对RS-3-2-1024k策略的支持
[atguigu@hadoop102 hadoop-3.1.3]$ hdfs ec -enablePolicy -policy RS-3-2-1024k
Erasure coding policy RS-3-2-1024k is enabled
（2）在HDFS创建目录，并设置RS-3-2-1024k策略
[atguigu@hadoop102 hadoop-3.1.3]$ hdfs dfs -mkdir /input
[atguigu@hadoop202 hadoop-3.1.3]$ hdfs ec -setPolicy -path /input -policy RS-3-2-1024k
（3）上传文件，并查看文件编码后的存储情况
[atguigu@hadoop102 hadoop-3.1.3]$ hdfs dfs -put web.log /input
注：你所上传的文件需要大于2M才能看出效果。（低于2M，只有一个数据单元和两个校验单元）
（4）查看存储路径的数据单元和校验单元，删掉部分数据，来作破坏实验，会发现很快就恢复回来了。
注意，纠删码应用后，数据的副本相当于是只有1份了。只不过是这一份数据，分布在5台节点上。直接查看存储的内容是看不懂的，因为是有自己的保存形式，用来计算的。