Hadoop杂记
Hadoop杂记
namenode（hdfs）+jobtracker（mapreduce）可以放在一台机器上，datanode+tasktracker可以在一台机器上，辅助namenode要单独放一台机器，jobtracker通常情况下分区跟datanode一样(目录最好分布在不同的磁盘上，一个目录对应一个磁盘)，namenode存储目录需要格式化，datanode存储目录不需要格式化，启动时自动创建
同一个datanode上的每个磁盘上的块不会重复，不同datanode之间的块才可能重复
一些文件的说明：
1、dfs.hosts 记录即将作为datanode加入集群的机器列表
2、mapred.hosts 记录即将作为tasktracker加入集群的机器列表
3、dfs.hosts.exclude mapred.hosts.exclude 分别包含待移除的机器列表
4、master 记录运行辅助namenode的机器列表
5、slave 记录运行datanode和tasktracker的机器列表
6、hadoop-env.sh 记录脚本要用的环境变量，以运行hadoop
7、core-site.xml hadoop core的配置项，例如hdfs和mapreduce常用的i/o设置等
8、hdfs-site.xml hadoop守护进程的配置项，包括namenode、辅助namenode和datanode等
9、mapred-site.xml mapreduce守护进程的配置项，包括jobtracker和tasktracker
10、hadoop-metrics.properties 控制metrics在hadoop上如何发布的属性
11、log4j.properties 系统日志文件、namenode审计日志、tasktracker子进程的任务日志的属性
一、hdfs守护进程的关键属性
1、fs.default.name 类型：uri 默认值：file:/// 说明：默认文件系统，uri定义主机名称和namenode的rpc服务器工作的端口号，默认是8020，在core-site.xml中配置
2、dfs.name.dir 类型：以逗号分隔的目录名称 默认值：${hadoop.tmp.dir}/dfs/name 说明：namenode存储永久性的元数据的目录列表，namenode在列表上的各个目录中均存放相同的元数据文件
3、dfs.data.dir 类型：以逗号分隔的目录名称 默认值：${hadoop.tmp.dir}/dfs/data 说明：datanode存放数据块的目录列表，各个数据块分别存于某个目录中
4、fs.checkpoint.dir 类型：以逗号分隔的目录名称 默认值：${hadoop.tmp.dir}/dfs/namesecondary 说明：辅助namenode存放检查点的目录列表，在所列的各个目录中分别存放一份检查点文件副本
二、mapreduce守护进程关键属性
1、mapred.job.tracker 类型：主机名和端口 默认值：local 说明：jobtracker的rpc服务器所在的主机名称和端口号，如果设为默认值local，则运行一个mapreduce作业时，jobtracker即时以处理时模式运行（换言之，用户无需启动jobtracker；实际上试图在该模式下启动jobtracker会引发错误）
2、mapred.local.dir 类型：逗号分割的目录名称 默认值：${hadoop.tmp.dir}/mapred/local 说明：存储作业中间数据的一个目录列表，作业终止时，数据被清除
3、mapred.system.dir 类型：uri 默认值：${hadoop.tmp.dir}/mapred/system 说明：在作业运行期间存储共享文件的目录，相对于fs.default.name
4、mapred.tasktracker.map.tasks.maximum 类型：int 默认值：2 说明：在任一时刻，运行在tasktracker之上的map任务的最大数
5、mapred.tasktracker.reduce.tasks.maximum 类型：int 默认值：2 说明：在任一时刻，运行在tasktracker之上的reduce任务的最大数
6、mapred.child.java.opts 类型：string 默认值：-xmx200m 说明：jvm选项，用于启动运行map和reduce任务的tasktracker子进程，该属性可以针对每个作业进行设置，例如，可以设置jvm的属性，以支持调试
7、mapred.child.ulimit 限制由tasktracker发起的子进程的最大虚拟内存（单位千字节），该值设置一定要大于6设置项的值
三、rpc服务器属性
1、dfs.datanode.ipc.address 默认值：0.0.0.0:50020 说明：datanode的rpc服务器的地址和端口
2、mapred.job.tracker 默认值：local 说明：被设为主机名称和端口号时，该属性指定jobtracker的rpc服务器地址和端口，常用的端口号时8021
3、mapred.task.tracker.report.address 默认值：127.0.0.1:0 说明：tasktracker的rpc服务器地址和端口号，tasktracker的子jvm利用它和tasktracker通信，在本例中，可以使用任一空闲端口，因为服务器仅对会送地址隐藏，如果本机器没有会送地址，则需变更默认设置
datanode也运行tcp/ip服务器以支持块传输，默认由dfs.datanode.address设定，默认值是0.0.0.0:50010
三、http服务器属性
1、mapred.job.tracker.http.address 默认值：0.0.0.0:50030 说明：jobtracker的http服务器地址和端口
2、mapred.task.tracker.http.address 默认值：0.0.0.0:50060 说明：tasktracker的http服务器地址和端口
3、dfs.http.address 默认值：0.0.0.0:50070 说明：namenode的http服务器地址和端口
4、dfs.datanode.http.address 默认值：0.0.0.0:50075 说明：datanode的http服务器地址和端口
5、dfs.secondary.http.address默认值：0.0.0.0:50090 说明：辅助namenode的http服务器地址和端口
可以选择某一个网络接口作为各个datanode和tasktracker的ip地址（针对http和rpc服务器）。相关属性项包括dfs.datanode.dns.interface和mapred.tasktracker.dns.interface，默认值都是default
四、安全模式属性说明
1、dfs.replication.min 类型：int 默认值：1 说明：设置最小副本级别，成功执行写操作所需要创建的最少副本数目（也就是最小复本级别）
2、dfs.safemode.threshold.pct 类型：float 默认值：0.999 说明：在namenode退出安全模式之前，系统中满足最小复本级别（由上一个选项定义）的块的比例，将这项值设为0或更小的比例会令namenode无法启动安全模式，设为高于1则永远不会退出安全模式
3、dfs.safemode.extension 类型：int 默认值：30000 说明：在最小复本条件（由上一个选项定义）满足之后，namenode还需要处于安全模式的时间（以毫秒为单位），对于小型集群（十几个节点），这项值可以设为0
core-site.xml个别设置说明：
1、io.file.buffer.size 设置缓冲区大小，默认4kb（64kb 128kb）
2、fs.trash.interval 设置回收站中的文件保留多久后删除，以分钟为单位，默认值是0，表示回收特性无效。该回收功能是用户级特性，启用后，每个用户都有自己独立的回收站目录，即home目录下的.trash目录，恢复时只要从该目录找到被删除的文件，将其移除就可以了。hdfs会自动删除回收站中的文件，其它文件系统不具备这个功能，需要使用下列命令自行删除 hadoop fs -expunge
hdfs-site.xml个别设置说明：
1、dfs.block.size 设置hdfs块大小，默认64mb （128mb 256mb）
2、dfs.balance.bandwidthPerSec 设置均衡器在不同节点之间复制数据的带宽
dfs.datanode.du.reserved 设置保留空间的大小，以供其它程序使用,以字节为单位
fs.checkpoint.period 设置辅助namenode每隔多久创建检查点，以秒为单位
fs.checkpoint.size 设置当编辑日志（edits）大大小达到多少mb时，创建检查点，系统每5分钟检查一次编辑日志大小
dfs.datanode.numblocks 设置datanode一个目录存放多少个块时，就重新创建一个子目录
dfs.datanode.scan.period.hours 设置datanode块扫描的周期，默认三周（504小时）扫描一次
hadoop命令：
1、hadoop fs -mkdir /user/username 创建用户
2、hadoop fs -chown user:user /user/username 设置权限
3、hadoop dfsadmin -setSpaceQuota 1t /user/username 限制空间容量
4、hadoop dfsadmin -saveNamespace 创建检查点，将内存中的文件熊映射保存为一个新的fsimage文件，重置edits文件，该操作仅在安全模式下执行
5、hadoop dfsadmin -safemode get 查看namenode是否处于安全模式
6、hadoop dfsadmin -safemode wait 在脚本中执行某条命令前namenode先退出安全模式
7、hadoop dfsadmin -safemode enter 进入安全模式
8、hadoop dfsadmin -safemode leave 离开安全模式
9、hadoop dfsadmin -report 显示文件系统的统计信息，以及所连接的各个datanode的信息
10、hadoop dfsadmin -metasave 将某些信息存储到hadoop日志目录中的一个文件中，包括正在被复制或删除的块信息，以及已连接的datanode列表
11、hadoop dfsadmin -refreshNodes 更新允许连接到namenode的datanode列表
12、hadoop dfsadmin -upgradeProgress 获取有关hdfs升级的进度信息或强制升级
13、hadoop dfsadmin -finalizeUpgrade 移除datanode和namenode的存储目录上的旧版数据
14、hadoop dfsadmin -setQuota 设置目录中包含的文件和子目录的个数的配额
15、hadoop dfsadmin -clrQuota 清理指定目录的文件和子目录个数的配额
16、hadoop dfsadmin -clrSpaceQuota 清理指定的空间大小配额
17、hadoop dfsadmin -refreshServiceAcl 刷新namenode的服务级授权策略文件
18、hadoop fsck / 检查hdfs中文件的健康状况，该工具会查找那些所有datanode中均缺失的块以及过少或过多复本的块
19、hadoop fsck /user/tom/part-007 -files -blocks -racks files选项显示文件名称，大小，块数量，健康状况；block选项描述文件中各个块的信息，每个块一行；racks选项显示各个块的机架位置和datanode的地址
| 使Datanode节点datanodename退役 | bin/hadoop dfsadmin -decommission datanodename |
解决主nemenode重启较慢的方法：（使用 -importCheckpoint选项启动辅助namenode，可将辅助namenode用作新的主namenode）
1、辅助namenode请求主namenode停止使用edits（记录操作日志的文件）文件。暂时将新记录写操作记录到一个新文件中
2、辅助namenode从主namenode获取fsimage（元数据永久检查点文件）和edits文件（采用http get）
3、辅助namenode将fsimage文件载入内存，逐一执行edits文件中的操作，创建新的fsimage文件
4、辅助namenode将新的fsimage文件发送回主namenode（使用http post）
5、主namenode用从辅助namenode接收的fsimage文件替换旧的fsimage文件，用步骤一所产生的edits文件替换旧的edits文件，同时，还更新fstime文件来记录检查点执行的时间
均衡器程序：
start-balancer.sh -threshold 参数指定阀值（百分比格式），默认值是10%，任何时刻，集群中都只能运行一个均衡器，均衡器在不同节点之间复制数据是有带宽限制的，默认值是1mb/s
