一、HDFS 核心参数
1.1 NameNode 内存生产配置
1. NameNode 内存计算
每个文件块大概占用 150byte，一台服务器 128G 内存为例，能存储多少文件块呢？
128*128*1024*1024/150Byte≈9.1亿
2. Hadoop2.x 系列， 配置 NameNode 内存
NameNode 内存默认 2000m，如果服务器内存 4G， NameNode 内存可以配置 3G。在 hadoop-env.sh 文件中配置如下。
HADOOP_NAMENODE_OPTS= Xmx 3072 m
复制代码
3. Hadoop3.x 系列，配置 NameNode 内存
hadoop-env.sh 中描述 Hadoop 的内存是动态分配的
# The maximum amount of heap to use (Java -Xmx). If no unit# is provided, it will be converted to MB. Daemons will# prefer any Xmx setting in their respective _OPT variable.# There is no default; the JVM will autoscale based upon machine# memory size.# export HADOOP_HEAPSIZE_MAX=
# The minimum amount of heap to use (Java -Xms). If no unit# is provided, it will be converted to MB. Daemons will# prefer any Xms setting in their respective _OPT variable.# There is no default; the JVM will autoscale based upon machine# memory size.# export HADOOP_HEAPSIZE_MIN=HADOOP_NAMENODE_OPTS= Xmx102400m
复制代码
查看 NameNode 占用内存
[Tom@hadoop102 hadoop-3.1.3]$ jps3136 JobHistoryServer3200 Jps2947 NodeManager2486 NameNode2622 DataNode[Tom@hadoop102 hadoop-3.1.3]$ jps -heap 2486Heap Configuration: MinHeapFreeRatio = 40 MaxHeapFreeRatio = 70 MaxHeapSize = 478150656 (456.0MB)
复制代码
查看 DataNode 占用内存
[Tom@hadoop102 hadoop-3.1.3]$ jmap -heap 2622Heap Configuration: MinHeapFreeRatio = 40 MaxHeapFreeRatio = 70 MaxHeapSize = 478150656 (456.0MB)
复制代码
查看发现 hadoop102 上的 NameNode 和 DataNode 占用内存都是自动分配的，且相等。不是很合理。
经验参考：
https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_hardware_requirements.html#concept_fzz_dq4_gbb
具体修改：hadoop-env.sh
export HDFS_NAMENODE_OPTS="-Dhadoop.security.logger=INFO,RFAS-Xmx1024m"
export HDFS_DATANODE_OPTS="-Dhadoop.security.logger=ERROR,RFAS-Xmx1024m"
复制代码
1.2 NameNode 心跳并发配置
NameNode 有一个工作线程池，用来处理不同 DataNode 的并发心跳以及客户端并发的元数据操作 。对于大集群或者有大量客户端的集群来说，通常需要增大该参数 。 默认值是 10 。
<property> <name>dfs.namenode.handler.count</name> <value>21</value></property>
复制代码
企业经验：dfs.namenode.handler.count=20 × logeClustersize ，比如集群规模 （DataNode 台数）为 3 台时，此参数设置为 21。可通过简单的 python 代码计算该值，代码如下。
[Tom@hadoop102 hadoop-3.1.3]$ pythonPython 2.7.5 (default, Oct 14 2020, 14:45:30)[GCC 4.8.5 20150623 (Red Hat 4.8.5-44)] on linux2Type "help", "copyright", "credits" or "license" for more information.>>> import math>>> print int(20*math.log(3))21>>> quit()
复制代码
1.3 开启回收站配置
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。
1. 回收站工作机制
2. 开启回收站功能参数说明
默认值 fs.trash.interval = 0，0 表示禁用回收站，其他值表示设置文件的存活时间。
默认值 fs.trash.checkpoint.interval = 0，检查回收站的间隔时间。如果该值为 0，则该值设置和 fs.trash.interval 的参数值相等。
要求 fs.trash.checkpoint.interval <= fs.trash.interval。
3. 启用回收站
修改core-site.xml配置，垃圾回收时间为 1 分钟。
<property> <name>fs.trash.interval</name> <value>1</value></property>
复制代码
4. 查看回收站
回收站目录在 HDFS 集群中的路径：/user/Tom/.Trash/….
5. 注意：通过网页上直接删除的文件也不会走回收站。
6. 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 = N ew Trash(conf);trash.moveToTrash(path);
复制代码
7. 只有在命令行利用 hadoop fs -rm 命令删除的文件才会走回收站。
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /input2021-06-24 18:20:36,515 INFO fs.TrashPolicyDefault: Moved: 'hdfs://hadoop102:8020/input' to trash at: hdfs://hadoop102:8020/user/Tom/.Trash/Current/input
复制代码
（8）恢复回收站数据
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /user/Tom/.Trash/Current/input /input
复制代码
二、HDFS 集群压测
在企业中非常关心每天从 Java 后台拉取过来的数据，需要多久能上传到集群？消费者关心多久能从 HDFS 上拉取需要的数据？
为了搞清楚 HDFS 的读写性能，生产环境上非常需要对集群进行压测。
HDFS 的读写性能主要受网络和磁盘影响比较大。为了方便测试，将 hadoop102、hadoop103、 hadoop104 虚拟机网络都设置为 100mbps。
100Mbps 单位是 bit；10M/s 单位是 byte；1byte=8bit；100Mbps/8=12.5M/s。
测试网速：来到 hadoop102 的 /opt/software 目录， 创建一个
[Tom@hadoop102 software]$ python -m SimpleHTTPServerServing HTTP on 0.0.0.0 port 8000 ...
复制代码
2.1 测试 HDFS 写性能
写测试底层原理
测试内容： 向 HDFS 集群写 5 个 128M 的文件
注意： nrFiles n 为生成 mapTask 的数量，生产环境一般可通过 hadoop103:8088 查看 CPU 核数，设置为（CPU 核数 - 1）
[Tom@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -write -nrFiles 5 -fileSize 128MB2021-06-24 21:58:25,548 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false2021-06-24 21:58:25,568 INFO fs.TestDFSIO: ----- TestDFSIO ----- : write2021-06-24 21:58:25,568 INFO fs.TestDFSIO: Date & time: Thu Jun 24 21:58:25 CST 20212021-06-24 21:58:25,568 INFO fs.TestDFSIO: Number of files: 52021-06-24 21:58:25,568 INFO fs.TestDFSIO: Total MBytes processed: 6402021-06-24 21:58:25,568 INFO fs.TestDFSIO: Throughput mb/sec: 0.882021-06-24 21:58:25,568 INFO fs.TestDFSIO: Average IO rate mb/sec: 0.882021-06-24 21:58:25,568 INFO fs.TestDFSIO: IO rate std deviation: 0.042021-06-24 21:58:25,568 INFO fs.TestDFSIO: Test exec time sec: 246.542021-06-24 21:58:25,568 INFO fs.TestDFSIO:
复制代码
Number of files：生成 mapTask 数量，一般是集群中 CPU 核数 -1，我们测试虚拟机就按照实际的物理内存 -1 分配即可
Total MBytes processed：单个 map 处理的文件大小
Throughput mb/sec：单个 mapTak 的吞吐量
计算方式：处理的总文件大小 / 每一个 mapTask 写数据的时间累加
集群整体吞吐量：生成 mapTask 数量 * 单个 mapTak 的吞吐量
Average IO rate mb/sec：平均 mapTak 的吞吐量
计算方式：每个 mapTask 处理文件大小 / 每一个 mapTask 写数据的时间全部相加除以 task 数量
IO rate std deviation：方差、反映各个 mapTask 处理的差值，越小越均衡
注意：如果测试过程中，出现异常，可以在yarn-site.xml中设置虚拟内存检测为 false。然后分发配置并重启集群。
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true --><property> <name>yarn.nodemanager.vmem-check-enabled</name> <value>false</value></property>
复制代码
测试结果分析
由于副本 1 就在本地，所以该副本不参与测试
一共参与测试的文件：
5 个文件 * 2 个副本 = 10 个
压测后的速度： 0.88
实测速度：0.88M/s * 10 个文件 ≈ 8.8M/s
三台服务器的带宽：12.5 + 12.5 + 12.5 ≈ 30m/s
所有网络资源没有用满。
如果实测速度远远小于网络，并且实测速度不能满足工作需求，可以考虑采用固态硬盘或者增加磁盘个数。
如果客户端不在集群节点，那就三个副本都参与计算
2.2 测试 HDFS 读性能
测试内容：读取 HDFS 集群 5 个 128M 的文件
[Tom@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -read -nrFiles 5 -fileSize 128MB
2021-06-25 17:34:41,179 INFO fs.TestDFSIO: ----- TestDFSIO ----- : read2021-06-25 17:34:41,181 INFO fs.TestDFSIO: Date & time: Fri Jun 25 17:34:41 CST 20212021-06-25 17:34:41,182 INFO fs.TestDFSIO: Number of files: 52021-06-25 17:34:41,182 INFO fs.TestDFSIO: Total MBytes processed: 6402021-06-25 17:34:41,182 INFO fs.TestDFSIO: Throughput mb/sec: 4.62021-06-25 17:34:41,182 INFO fs.TestDFSIO: Average IO rate mb/sec: 4.742021-06-25 17:34:41,182 INFO fs.TestDFSIO: IO rate std deviation: 0.932021-06-25 17:34:41,182 INFO fs.TestDFSIO: Test exec time sec: 82.472021-06-25 17:34:41,182 INFO fs.TestDFSIO:
复制代码
删除测试生成数据
[Tom@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -clean
复制代码
三、HDFS 多目录
3.1 NameNode 多目录配置
NameNode 的本地目录可以配置成多个，且每个目录存放内容相同，增加了可靠性。
具体配置如下
（1）在 hdfs-site.xml文件中添加如下内容
<property> <name>dfs.namenode.name.dir</name> <value>file://${hadoop.tmp.dir}/dfs/name1,file://${hadoop.tmp.dir}/dfs/name2</value></property>
复制代码
注意：因为每台服务器节点的磁盘情况不同，所以这个配置配完之后，可以选择不分发。
（2）停止集群，删除三台节点的 data 和 logs 中所有数据。
[Tom@hadoop102 hadoop 3.1.3 ]$ rm rf data/ logs/[Tom@hadoop103 hadoop 3.1.3 ]$ rm rf data/ logs/[Tom@hadoop104 hadoop 3.1.3 ]$ rm rf data/ logs/
复制代码
（3）格式化集群并启动。
[Tom@hadoop102 hadoop 3.1.3 ]$ bin/hdfs namenode format[Tom@hadoop102 hadoop 3.1.3 ]$ sbin/start dfs.sh
复制代码
查看结果
[Tom@hadoop102 dfs]$ ll总用量12drwx------. 3 Tom Tom 4096 12月11 08:03 datadrwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name1drwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name2
复制代码
检查 name1 和 name2 里面的内容，发现一模一样。
3.2 DataNode 多目录配置
DataNode 可以配置成多个目录，每个目录存储的数据不一样（数据不是副本）
具体配置如下
（1）在 hdfs-site.xml文件中添加如下内容
<property> <name>dfs.datanode.data.dir</name> <value>file://${hadoop.tmp.dir}/dfs/data1,file://${hadoop.tmp.dir}/dfs/data2</value></property>
复制代码
查看结果
[Tom@hadoop102 dfs]$ ll总用量12drwx------. 3 Tom Tom 4096 4月4 14:22 data1drwx------. 3 Tom Tom 4096 4月4 14:22 data2drwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name1drwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name2
复制代码
向集群上传一个文件，再次观察两个文件夹里面的内容发现不一致 （一个有数一个没有）
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -put wcinput/word.txt /
复制代码
3.3 集群数据均衡之磁盘间数据均衡
生产环境，由于硬盘空间不足，往往需要增加一块硬盘。刚加载的硬盘没有数据时，可以执行磁盘数据均衡命令。（ Hadoop3.x 新特性）
（1）生成均衡计划（我只有一块磁盘，不会生成计划）
[Tom@hadoop102 hadoop-3.1.3]$ hdfs diskbalancer -plan hadoop102
复制代码
（2）执行均衡计划
[Tom@hadoop102 hadoop-3.1.3]$ hdfs diskbalancer -execute hadoop102.plan.json
复制代码
（3）查看当前均衡任务的执行情况
[Tom@hadoop102 hadoop-3.1.3]$ hdfs diskbalancer -query hadoop102
复制代码
（4）取消均衡任务
[Tom@hadoop102 hadoop-3.1.3]$ hdfs diskbalancer -cancel hadoop102.plan.json
复制代码
四、HDFS 集群扩容及缩容
4.1 添加白名单
白名单：表示在白名单的主机 IP 地址可以用来存储数据。
企业中：配置白名单，可以尽量防止黑客恶意访问攻击。
配置白名单步骤如下：
在 NameNode 节点的 /opt/module/hadoop-3.1.3/etc/hadoop 目录下分别创建 whitelist 和 blacklist 文件
（1）创建白名单
[Tom@hadoop102 hadoop]$ vim whitelist
复制代码
在 whitelist 中添加下主机名称，假如集群正常工作的节点为 102 103
（2）创建黑名单，保持空的就可以
[Tom@hadoop102 hadoop]$ touch blacklist
复制代码
在 hdfs-site.xml 配置文件中增加 dfs.hosts 配置参数
<!--白名单--><property> <name>dfs.hosts</name> <value>/opt/module/hadoop-3.1.3/etc/hadoop/whitelist</value></property>
<!--黑名单--><property> <name>dfs.hosts.exclude</name> <value>/opt/module/hadoop-3.1.3/etc/hadoop/blacklist</value></property>
复制代码
分发配置文件 whitelist hdfs-site.xml
[Tom@hadoop104 hadoop]$ xsync hdfs site.xml whitelist
复制代码
第一次添加白名单必须重启集群，不是第一次，只需要刷新 NameNode 节点即可
[Tom@hadoop102 hadoop 3.1.3]$ myhadoop.sh stop[Tom@hadoop102 hadoop 3.1.3]$ myhadoop.sh start
复制代码
在 web 浏览器上查看 DN，http://hadoop102:9870/dfshealth.html#tab-datanode
在 hadoop104 上执行上传数据数据失败
[Tom@hadoop104 hadoop-3.1.3]$ hadoop fs -put NOTICE.txt /
复制代码
二次修改白名单，增加 hadoop104
[Tom@hadoop102 hadoop]$ vim whitelist修改为如下内容hadoop102hadoop103hadoo p104
复制代码
刷新 NameNode
[Tom@hadoop102 hadoop 3.1.3]$ hdfs dfsadmin refreshNodesRefresh nodes successful
复制代码
在 web 浏览器上查看 DN http://hadoop102:9870/dfshealth.html#tab-datanode
4.2 服役新服务器
需求
随着公司业务的增长，数据量越来越大，原有的数据节点的容量已经不能满足存储数据的需求，需要在原有集群基础上动态添加新的数据节点。
环境准备
（1）在 hadoop100 主机上再克隆一台 hadoop105 主机
（2）修改 IP 地址和主机名称
[root@hadoop105 ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33[root@hadoop105 ~]# vim /etc/hostname
复制代码
（3）拷贝 hadoop102 的 /opt/module 目录和 /etc/profile.d/my_env.sh 到 hadoop105
[Tom@hadoop102 opt]$ scp-r module/* Tom@hadoop105:/opt/module/[Tom@hadoop102 opt]$ sudo scp/etc/profile.d/my_env.sh root@hadoop105:/etc/profile.d/my_env.sh[Tom@hadoop105 hadoop-3.1.3]$ source /etc/profile
复制代码
（4）删除 hadoop105 上 Hadoop 的历史数据， data 和 logs 数据
[Tom@hadoop105 hadoop 3.1.3]$ rm rf data/ logs/
复制代码
（5）配置 hadoop102 和 hadoop103 到 hadoop105 的 ssh 无密登录
[ hadoop102 .ssh]$ ssh copy id hadoop105[ hadoop103 .ssh]$ ssh copy id hadoop105
复制代码
服役新节点具体步骤
（1）直接启动 DataNode 即可关联到集群
[Tom@hadoop105 hadoop-3.1.3]$ hdfs --daemon start datanode[Tom@hadoop105 hadoop-3.1.3]$ yarn --daemon start nodemanager
复制代码
在白名单中增加新服役的服务器
（1）在白名单 whitelist 中增加 hadoop104、 hadoop105，并重启集群
[Tom@hadoop102 hadoop]$ vim whitelist修改为如下内容hadoop102hadoop103hadoop104hadoop105
复制代码
（2）分发
[Tom@hadoop102 hadoop]$ xsync whitelist
复制代码
（3）刷新 NameNode
[Tom@hadoop102 hadoop-3.1.3]$ hdfs dfsadmin -refreshNodesRefresh nodes successful
复制代码
在 hadoop105 上上传文件
[Tom@hadoop105 hadoop-3.1.3]$ hadoop fs -put /opt/module/hadoop-3.1.3/LICENSE.txt /
复制代码
4.3 服务器间数据均衡
企业经验
在企业开发中，如果经常在 hadoop102 和 hadoop104 上提交任务，且副本数为 2，由于数据本地性原则，就会导致 hadoop102 和 hadoop104 数据过多， hadoop103 存储的数据量小。
另一种情况，就是新服役的服务器数据量比较少，需要执行集群均衡命令。
开启数据均衡命令
[Tom@hadoop105 hadoop 3.1.3]$ sbin/start balancer.shthreshold 10
复制代码
对于参数 10，代表的是集群中各个节点的磁盘空间利用率相差不超过 10%，可根据实际情况进行调整。
停止数据均衡命令
[Tom@hadoop105 hadoop-3.1.3]$ sbin/stop-balancer.sh
复制代码
注意 ：由于 HDFS 需要启动单独的 Rebalance Server 来执行 Rebalance 操作， 所以尽量不要在 NameNode 上执行 start-balancer.sh，而是找一台比较空闲的机器。
4.4 黑名单退役服务器
黑名单：表示在黑名单的主机 IP 地址不可以用来存储数据。
企业中：配置黑名单，用来退役服务器。
黑名单配置步骤如下：
编辑 /opt/module/hadoop-3.1.3/etc/hadoop 目录下的 blacklist 文件
[Tom@hadoop102 hadoop vim blacklist
复制代码
添加如下主机名称（要退役的节点）
hadoop105
注意：如果白名单中没有配置，需要在 hdfs-site.xml 配置文件中增加 dfs.hosts 配置参数
<!--黑名单--><property> <name>dfs.hosts.exclude</name> <value>/opt/module/hadoop-3.1.3/etc/hadoop/blacklist</value></property>
复制代码
分发配置文件 blacklist，hdfs-site.xml
[Tom@hadoop104 hadoop]$ xsync hdfs-site.xml blacklist
复制代码
第一次添加黑名单必须重启集群，不是第一次，只需要刷新 NameNode 节点即可
[Tom@hadoop102 hadoop-3.1.3]$ hdfs dfsadmin -refreshNodesRefresh nodes successful
复制代码
检查 Web 浏览器 ，退役节点的状态为 decommission in progress（退役中，说明数据节点正在复制块到其他节点）
等待退役节点状态为 decommissioned（所有块已经复制完成 ），停止该节点及节点资源管理器。 注意 ：如果副本数是 3 服役的节点小于等于 3，是不能退役成功的，需要修改副本数后才能退役。
[Tom@hadoop105 hadoop-3.1.3]$ hdfs --daemon stop datanode
[Tom@hadoop105 hadoop-3.1.3]$ yarn--daemon stop nodemanager
复制代码
如果数据不均衡，可以用命令实现集群的再平衡
[Tom@hadoop102 hadoop-3.1.3]$ sbin/start-balancer.sh -threshold 10
复制代码
评论