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
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
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
查看 NameNode占用内存
[Tom@hadoop102 hadoop-3.1.3]$ jps
3136 JobHistoryServer
3200 Jps
2947 NodeManager
2486 NameNode
2622 DataNode
[Tom@hadoop102 hadoop-3.1.3]$ jps -heap 2486
Heap Configuration:
MinHeapFreeRatio = 40
MaxHeapFreeRatio = 70
MaxHeapSize = 478150656 (456.0MB)
查看 DataNode占用内存
[Tom@hadoop102 hadoop-3.1.3]$ jmap -heap 2622
Heap Configuration:
MinHeapFreeRatio = 40
MaxHeapFreeRatio = 70
MaxHeapSize = 478150656 (456.0MB)
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"
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>
企业经验:dfs.namenode.handler.count=20 × loge(ClusterSize),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]$ python
Python 2.7.5 (default, Oct 14 2020, 14:45:30)
[GCC 4.8.5 20150623 (Red Hat 4.8.5-44)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import math
>>> print int(20*math.log(3))
21
>>> quit()
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。
回收站工作机制
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。
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>
查看回收站
回收站目录在HDFS 集群中的路径:/user/Tom/.Trash/….
注意:通过网页上直接删除的文件也不会走回收站。
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。
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /input
2021-06-24 18:20:36,515 INFO fs.TrashPolicyDefault: Moved: 'hdfs://hadoop102:8020/input' to trash at: hdfs://hadoop102:8020/user/Tom/.Trash/Current/input
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 /input
2021-06-24 18:20:36,515 INFO fs.TrashPolicyDefault: Moved: 'hdfs://hadoop102:8020/input' to trash at: hdfs://hadoop102:8020/user/Tom/.Trash/Current/input
恢复回收站数据
[Tom@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /user/Tom/.Trash/Current/input /input
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 SimpleHTTPServer
Serving HTTP on 0.0.0.0 port 8000 ...
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 128MB
2021-06-24 21:58:25,548 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: ----- TestDFSIO ----- : write
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: Date & time: Thu Jun 24 21:58:25 CST 2021
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: Number of files: 5
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: Total MBytes processed: 640
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: Throughput mb/sec: 0.88
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: Average IO rate mb/sec: 0.88
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: IO rate std deviation: 0.04
2021-06-24 21:58:25,568 INFO fs.TestDFSIO: Test exec time sec: 246.54
2021-06-24 21:58:25,568 INFO fs.TestDFSIO:
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>
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
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 ----- : read
2021-06-25 17:34:41,181 INFO fs.TestDFSIO: Date & time: Fri Jun 25 17:34:41 CST 2021
2021-06-25 17:34:41,182 INFO fs.TestDFSIO: Number of files: 5
2021-06-25 17:34:41,182 INFO fs.TestDFSIO: Total MBytes processed: 640
2021-06-25 17:34:41,182 INFO fs.TestDFSIO: Throughput mb/sec: 4.6
2021-06-25 17:34:41,182 INFO fs.TestDFSIO: Average IO rate mb/sec: 4.74
2021-06-25 17:34:41,182 INFO fs.TestDFSIO: IO rate std deviation: 0.93
2021-06-25 17:34:41,182 INFO fs.TestDFSIO: Test exec time sec: 82.47
2021-06-25 17:34:41,182 INFO fs.TestDFSIO:
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
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:
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>
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。
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/
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
查看结果
[Tom@hadoop102 dfs]$ ll
总用量12
drwx------. 3 Tom Tom 4096 12月11 08:03 data
drwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name1
drwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name2
检查name1和 name2里面的内容,发现一模一样。
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
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>
查看结果
[Tom@hadoop102 dfs]$ ll
总用量12
drwx------. 3 Tom Tom 4096 4月4 14:22 data1
drwx------. 3 Tom Tom 4096 4月4 14:22 data2
drwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name1
drwxrwxr-x. 3 Tom Tom 4096 12月11 08:03 name2
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 /
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)
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
执行均衡计划
[Tom@hadoop102 hadoop-3.1.3]$ hdfs diskbalancer -execute hadoop102.plan.json
查看当前均衡任务的执行情况
[Tom@hadoop102 hadoop-3.1.3]$ hdfs diskbalancer -query hadoop102
取消均衡任务
[Tom@hadoop102 hadoop-3.1.3]$ hdfs diskbalancer -cancel hadoop102.plan.json
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
创建白名单
[Tom@hadoop102 hadoop]$ vim whitelist
在whitelist中添加下主机名称 ,假如集群正常工作的节点为102 103
hadoop102
hadoop103
创建黑名单,保持空的就可以
[Tom@hadoop102 hadoop]$ touch blacklist
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>
分发配置文件 whitelist hdfs-site.xml
[Tom@hadoop104 hadoop]$ xsync hdfs site.xml whitelist
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
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 /
二次修改白名单,增加 hadoop104
[Tom@hadoop102 hadoop]$ vim whitelist
修改为如下内容
hadoop102
hadoop103
hadoo p104
刷新 NameNode
[Tom@hadoop102 hadoop 3.1.3]$ hdfs dfsadmin refreshNodes
Refresh nodes successful
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
[root@hadoop105 ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33
[root@hadoop105 ~]# vim /etc/hostname
[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
[Tom@hadoop105 hadoop 3.1.3]$ rm rf data/ logs/
[ hadoop102 .ssh]$ ssh copy id hadoop105
[ hadoop103 .ssh]$ ssh copy id hadoop105
服役新节点具体步骤
[Tom@hadoop105 hadoop-3.1.3]$ hdfs --daemon start datanode
[Tom@hadoop105 hadoop-3.1.3]$ yarn --daemon start nodemanager
在白名单中增加新服役的服务器
在白名单 whitelist中增加 hadoop104、 hadoop105,并重启集群
分发
[Tom@hadoop102 hadoop]$ xsync whitelist
[Tom@hadoop102 hadoop-3.1.3]$ hdfs dfsadmin -refreshNodes
Refresh nodes successful
在 hadoop105上上传文件
[Tom@hadoop105 hadoop-3.1.3]$ hadoop fs -put /opt/module/hadoop-3.1.3/LICENSE.txt /
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.sh
threshold 10
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
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。
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
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>
分发配置文件 blacklist,hdfs-site.xml
[Tom@hadoop104 hadoop]$ xsync hdfs-site.xml blacklist
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 -refreshNodes
Refresh nodes successful
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
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