HDFS元数据管理/磁盘清理维护

元数据管理

1.元数据管理概述

> HDFS分类-类型分包括以下几部分

文件、目录自身的属性信息,例如文件名,目录名,修改信息等

文件记录的信息的存储相关的信息,例如存储块信息,分块情况,副本个数等

记录 HDFS 的 Datanode 的信息,用于 DataNode 的管理。

> 按形式分

内存元数据 内存

元数据文件两种 磁盘

> HDFS 磁盘上元数据文件分为两类,用于持久化存储:

fsimage 镜像文件:是元数据的一个持久化的检查点,包含 Hadoop 文件系统中的所有目录和文件元数据信息,但不包含文件块位置的信息。

Edits 编辑日志:存放的是 Hadoop 文件系统的所有更改操作(文件创建,删除或修改)的日志,文件系统客户端执行的更改操作首先会被记录到 edits 文件中。

> ps:所谓的持久化,就是将数据保存到硬盘中,使得在应用程序或机器重启后可以继续访问之前保存的数据

当客户端对 HDFS 中的文件进行新增或者修改操作,操作记录首先被记入 edits 日志文件中,
当客户端操作成功后,相应的元数据会更新到内存元数据中。因为 fsimage 文件一般都很大
(GB 级别的很常见),如果所有的更新操作都往 fsimage文件中添加,这样会导致系统运行的
十分缓慢。

HDFS 这种设计实现着手于:一是内存中数据更新、查询快,极大缩短了操作响应时间;
二是内存中元数据丢失风险颇高(断电等),因此辅佐元数据镜像文件(fsimage)+编辑日
志文件(edits)的备份机制进行确保元数据的安全。

2.元数据目录

在 Hadoop 的 HDFS 首次部署好配置文件之后,并不能马上启动使用,而是先要对文件系

统进行格式化。需要在 NameNode(NN)节点上进行如下的操作:

$HADOOP_HOME/bin/hdfs namenode --format

文件系统:此时的文件系统在物理上还不存在

格式化:格式化并不是指传统意义上的本地磁盘格式化,而是一些清除与准备工作。

> HDFS中文件块目录结构具体格式如下:

${dfs.datanode.data.dir}/ 
├── current 
│ ├── BP-526805057-127.0.0.1-1411980876842 
│ │ └── current 
│ │ ├── VERSION 
│ │ ├── finalized 
│ │ │ ├── blk_1073741825 
│ │ │ ├── blk_1073741825_1001.meta 
│ │ │ ├── blk_1073741826 
│ │ │ └── blk_1073741826_1002.meta 
│ │ └── rbw 
│ └── VERSION 
└── in_use.lock

目录在哪是在 hdfs-site.xml的dfs.namenode.name.dir指定 可以是多个

> seen_txid:

$dfs.namenode.name.dir/current/seen_txid 非常重要,是存放 transactionId 的文

件,format 之后是 0,它代表的是 namenode 里面的 edits_*文件的尾数,namenode 重启的

时候,会按照 seen_txid的数字,循序从头跑 edits_0000001~到 seen_txid 的数字。所以

当你的 hdfs 发生异常重启的时候,一定要比对 seen_txid 内的数字是不是你 edits 最后的

尾数。

做完之后会在$dfs.namenode.name.dir/current创建文件结构:这个目录也正是 namenode 元数据相关的文件目录:

cat VERSION
 
namespaceID=1752067181
clusterID=cluster84
cTime=0
storageType=NAME_NODE
blockpoolID=BP-824456762-192.168.20.39-1508928616349
layoutVersion=-60
  • namespaceID/clusterID/blockpoolID:HDFS 集群的唯一标识符.防止 DataNodes 意外注册到另一个集群中的 namenode 上
  • storageType:说明这个文件存储的是什么进程的数据结构信息(如果是 DataNode,storageType=DATA_NODE);
  • cTime:NameNode 存储系统创建时间,首次格式化文件系统这个属性是 0,当文件系统升级之后,该值会更新到升级之后的时间戳;
  • layoutVersion :表示 HDFS 永久性数据结构的版本信息,是一个负整数。

3.SecondaryNameNode:

> 这个出现的原因:

HDFS 集群运行一段事件后

edit logs 文件会变的很大,怎么去管理这个文件是一个挑战。

NameNode 重启会花费很长时间,因为有很多改动要合并到 fsimage 文件上。

如果 NameNode 挂掉了,那就丢失了一些改动。因为此时的 fsimage 文件非常旧。

作用:减小sedit logs文的件的大小和得到一个最新的fsimage
文件,减少在namenode上的压力。相当于windows的恢复功能(可以说是快照)
职责:它的职责是合并 NameNode的editlogs到fsimage文件中。

4.checkpoint

> 简介:

每达到触发条件,会由secondary namenode 将 namenode 上积累的所有 edits 和一个
最新的 fsimage 下载到本地,并加载到内存进行 merge(这个过程称为 checkpoint)

> Checkpoint 触发条件

dfs.namenode.checkpoint.period:两次连续的 checkpoint 之间的时间间隔。默认 1 小时

dfs.namenode.checkpoint.txns:最大的没有执行 checkpoint 事务的数量,满足将强制执行紧急 checkpoint,即使尚未达到检查点周期。默认设置为 100 万

拓展

1.hdfs oiv命令

命令hdfs oiv用于将fsimage,edits文件转换成其他格式的,如文本文件、XML文件。

> HDFS查看fsimage,edits

命令说明
> 必要参数

-i,--inputFile <arg>      输入FSImage文件.

-o,--outputFile <arg> 输出转换后的文件,如果存在,则会覆盖

> 可选参数:

-p,--processor <arg>   将FSImage文件转换成哪种格式:(Ls|XML|FileDistribution).默认为Ls.

-h,--help           显示帮助信息

hdfs oiv -i fsimage_0000000000016975189 -o 123.xml

hdfs oiv -i /var/lib/hadoop-yarn/test00001/data/fsimage_0000000000016975189  -o fsimage.txt

2.hadoop命令fsck命令

在HDFS中,提供了fsck命令,用于检查HDFS上文件和目录的健康状态、获取文件的block块信息和位置信息等。

> 具体命令介绍

  • move: 移动损坏的文件到/lost+found目录下

  • delete: 删除损坏的文件

  • openforwrite: 输出检测中的正在被写的文件

  • list-corruptfileblocks: 输出损坏的块及其所属的文件

  • files: 输出正在被检测的文件

  • blocks: 输出block的详细报告 (需要和-files参数一起使用)

  • locations: 输出block的位置信息 (需要和-files参数一起使用)

  • racks: 输出文件块位置所在的机架信息(需要和-files参数一起使用)

例如要查看HDFS中某个文件的block块的具体分布,可以这样写:

hadoop fsck /your_file_path -files -blocks -locations -racks 

> 实例

$ hadoop fsck /qpf/yyd/test/job.properties -files -blocks  -locations -racks
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.
 
Connecting to namenode via http://yhml01cs002:50070/fsck?ugi=yarn&files=1&blocks=1&locations=1&racks=1&path=%2Fqpf%2Fyyd%2Ftest%2Fjob.properties
FSCK started by yarn (auth:SIMPLE) from /172.20.1.36 for path /qpf/yyd/test/job.properties at Mon Nov 05 18:39:04 CST 2018
/qpf/yyd/test/job.properties 276 bytes, 1 block(s):  OK
0. BP-824456762-192.168.20.39-1508928616349:blk_1074586437_845778 len=276 Live_repl=3 [/default/172.20.1.36:50010, /default/172.20.1.37:50010, /default/172.20.1.38:50010]
 
Status: HEALTHY
 Total size:    276 B
 Total dirs:    0
 Total files:    1
 Total symlinks:        0
 Total blocks (validated):    1 (avg. block size 276 B)
 Minimally replicated blocks:    1 (100.0 %)
 Over-replicated blocks:    0 (0.0 %)
 Under-replicated blocks:    0 (0.0 %)
 Mis-replicated blocks:        0 (0.0 %)
 Default replication factor:    3
 Average block replication:    3.0
 Corrupt blocks:        0
 Missing replicas:        0 (0.0 %)
 Number of data-nodes:        3
 Number of racks:        1
FSCK ended at Mon Nov 05 18:39:04 CST 2018 in 3 milliseconds
 
 
The filesystem under path '/qpf/yyd/test/job.properties' is HEALTHY

> 参数解释

  1. 表示block个数;

BP-824456762-192.168.20.39-1508928616349:blk_1074586437_845778表示block id;

len=276 表示该文件块大小;

Live_repl=3 表示该block块的副本数;

3.datanode存储目录说明

current目录:真正存放block数据块文件的地方

tmp目录:这个目录主要临时存放一些正在写入的block数据文件,成功写入完成后这个临时文件就会从tmp目录移动到current目录。

> 其中subdir说明

[yarn@yhml01cs005 ~]$ cd /home/yhml01/dfs/dn/current/BP-824456762-192.168.20.39-1508928616349/current/finalized
 
[yarn@yhml01cs005 finalized]$ ll
total 164
drwxr-xr-x 258 hdfs hdfs 8192 Dec  5  2017 subdir0
drwxr-xr-x 258 hdfs hdfs 8192 Jan  9  2018 subdir1
drwxr-xr-x 258 hdfs hdfs 8192 Feb  8  2018 subdir2
 
[yarn@yhml01cs005 subdir1]$ ll
total 52176
-rw-r--r-- 1 hdfs hdfs   999018 Dec 18  2017 blk_1073824301
-rw-r--r-- 1 hdfs hdfs     7815 Dec 18  2017 blk_1073824301_83516.meta
-rw-r--r-- 1 hdfs hdfs  8042801 Dec 18  2017 blk_1073824302
-rw-r--r-- 1 hdfs hdfs    62843 Dec 18  2017 blk_1073824302_83517.meta
-rw-r--r-- 1 hdfs hdfs  4356708 Dec 18  2017 blk_1073824303
-rw-r--r-- 1 hdfs hdfs    34047 Dec 18  2017 blk_1073824303_83518.meta
-rw-r--r-- 1 hdfs hdfs  1483913 Dec 18  2017 blk_1073824304
-rw-r--r-- 1 hdfs hdfs    11603 Dec 18  2017 blk_1073824304_83519.meta
-rw-r--r-- 1 hdfs hdfs  8042801 Dec 18  2017 blk_1073824305

可以看到这个目录主要存放了block数据文件,block数据文件的命名规则是blk_BLOCKID,还有就是block文件的元数据文件,元数据文件的命名规则是:blk_BLOCKID_时间戳,同时大家可以看到很多累似subdir00命名的文件夹,这些文件夹其中存放的也是block数据文件及其元数据文件,hadoop规定每个目录存放的block数据文件个数是有限制的,达到限制之后就会新建sub子目录进行存放,这些sub子目录包括current目录,都会和一个FSDir对象对应。

ps:机器不同配置的目录不同(dfs.data.dir, dfs.datanode.data.dir配置)

磁盘清理维护

一、清理目录

1、执行sudo -u hdfs hadoop fs -du -h /

查询hdfs中各目录的占用的空间,进入占用最多的目录中(/tmp目录等)

2、找到目录/tmp/repay_prpjpolicypayment占用了大量空间

3、执行hdfs dfs -rm -r /tmp/repay_prpjpolicypayment删除此目录下的文件夹

4、删除的文件会被保存到/user/hdfs/.Trash,清空回收站即可

二、清空回收站

1.由于HDFS有回收站,删除文件会先放到回收站里边,如果着急释放空间,需要清理HDFS回收站

2、在删除HDFS文件时,可以使用命令:

hdfs dfs -rm -skipTrash /tmp/repay_prpjpolicypayment,文件就直接被删除,不会进入回收站(永久删除,无法恢复数据)

3、清空回收站命令:

hdfs dfs -expunge (回收站不会立即被清理,而是先Created trash checkpoint: /user/hdfs/.Trash/230309135102。显示的是一分钟后清除。)

相关推荐
武子康6 小时前
大数据-257 离线数仓 - 数据质量监控 监控方法 Griffin架构
java·大数据·数据仓库·hive·hadoop·后端
莹雨潇潇6 小时前
Hadoop完全分布式环境部署
大数据·hadoop·分布式
青春男大7 小时前
java哈希存储--数据结构
java·开发语言·数据结构·学习·算法·eclipse·哈希算法
学计算机的睿智大学生11 小时前
Hadoop集群搭建
大数据·hadoop·分布式
清平乐的技术专栏1 天前
Hive SQL 查询所有函数
hive·hadoop·sql
节点。csn1 天前
Hadoop yarn安装
大数据·hadoop·分布式
不惑_1 天前
小白入门 · 腾讯云轻量服务器部署 Hadoop 3.3.6
服务器·hadoop·腾讯云
csding111 天前
写入hive metastore报问题Permission denied: user=hadoop,inode=“/user/hive”
数据仓库·hive·hadoop