前言在大数据生态中Hadoop 分布式文件系统HDFS是最核心的基石。它被设计用来运行在廉价商用硬件上提供高吞吐量的数据访问。对于大数据的初学者和运维人员来说理解 HDFS 内部“心脏”NameNode、DataNode是如何跳动协同工作的以及如何通过命令行高效管理文件是掌握大数据技术栈的必修课。本文将结合架构图、元数据合并机制、读写数据流等图文为您彻底剖析 HDFS 的运行机制并附带 HDFS Shell 的常用操作实战。一、 HDFS 基本架构解析HDFS 采用了经典的Master/Slave主/从架构主要由以下三个核心组件构成参考架构图Client客户端负责与 HDFS 交互比如文件的上传、下载、删除等操作。NameNode主节点/MasterHDFS 的“大脑”和“管家”。它不存储实际的数据只负责管理文件系统的元数据如文件目录树、文件与数据块的映射关系、Block 存放在哪个 DataNode 上等。DataNode从节点/SlaveHDFS 的“苦力”。它们负责实际存储数据块Block并定期向 NameNode 汇报自己所持有的 Block 列表心跳机制。核心特征块存储文件被切分成固定大小的数据块默认 128MB进行存储。副本机制默认每个块有 3 个副本存放在不同的节点上以保证数据的可靠性和容错性。二、 NameNode 核心工作机制与元数据管理NameNode 是整个 HDFS 的心脏它将元数据常驻在内存中以保证极高的读写效率。同时为了持久化保存HDFS 引入了两个至关重要的文件FsImage镜像文件类似于系统的“快照”。它记录了截至上一次检查点时HDFS 文件系统中所有目录和文件的元数据信息如文件名、目录结构、权限等。EditLog编辑日志类似于数据库的“事务日志”。它记录了自上一次 FsImage 快照之后所有对文件系统的写操作如创建文件、删除文件、重命名、修改副本系数等。元数据的存储形态最完整、最新的元数据信息始终在NameNode 的内存中。本地磁盘上的FsImage和EditLog只是用来做断电或故障后的数据恢复。如果 NameNode 宕机重启会先加载 FsImage 到内存然后再重放 EditLog 中记录的操作恢复出最新的元数据状态。三、 SecondaryNameNode 的辅助作用Checkpoint 机制很多初学者会误以为 SecondaryNameNode 是 NameNode 的“备胎”或高可用HA备份节点其实这是一个误区。SecondaryNameNode 的核心作用是分担 NameNode 的压力帮助合并 FsImage 和 EditLog执行 Checkpoint 过程。由于 HDFS 持续运行EditLog 文件会越来越大。如果每次都让 NameNode 在重启时重放巨大的 EditLog启动时间将变得极长。SecondaryNameNode 定期执行如下Checkpoint 流程参考流程图日志滚动SecondaryNameNode 通知 NameNode 停止使用当前EditLog将新的写操作暂时写入edits.new文件中。拉取数据SecondaryNameNode 通过 HTTP 方式拉取 NameNode 当前的FsImage和旧的EditLog到本地。内存合并SecondaryNameNode 将拉取下来的文件加载到内存中将EditLog里的操作合并到FsImage中生成一个新的镜像文件fsimage.ckpt。回传替换SecondaryNameNode 将合并好的fsimage.ckpt发送回 NameNode。生效替换NameNode 使用fsimage.ckpt替换旧的FsImage并将edits.new重命名为EditLog。这样EditLog就又被“清零”了体积大大缩小。四、 高可用 (HA) 模式下 JournalNode 的协同在 HDFS 的HAHigh Availability模式下为了避免 NameNode 单点故障会配置一主Active一备Standby两个 NameNode。此时SecondaryNameNode不再起作用取而代之的是JournalNodeQJM 共享日志机制。JournalNode 角色通常是一个奇数个如 3 个节点组成的集群。它充当了一个共享存储介质。元数据同步流Active NameNode将所有的编辑日志EditLog实时同步写入到JournalNode集群中。Standby NameNode会持续不断地从 JournalNode 集群中读取这些最新的 EditLog并在自己的内存中进行重放。优势实现了元数据的实时共享一旦 Active 节点宕机Standby 节点可以瞬间接管Failover不需要像 SecondaryNameNode 那样合并全量镜像从而实现了秒级的故障转移。(注在 HA 模式下Standby NameNode 本地也会定期执行 Checkpoint生成新的 FsImage 并同步回传给 Active NameNode分担压力。)五、 文件数据流转HDFS 读写流程理解数据如何从客户端流转到底层 DataNode是 HDFS 性能优化的基础。1. HDFS 读取数据流程步骤 1客户端向NameNode发起读取请求比如读取/logs/demo.txt。步骤 2NameNode 查询元数据找到该文件对应的所有数据块Block ID及其存储位置即具体的 DataNode 列表将信息返回给客户端。步骤 3客户端接收到 Block 位置后选择一台距离最近的 DataNode网络拓扑就近原则建立 Socket 连接请求读取第一个 Block。步骤 4-6DataNode 从磁盘中读取数据以Packet包默认 64KB为单位通过流Stream的方式源源不断地发送给客户端客户端在本地缓存后合并写入目标文件。2. HDFS 写入数据流程步骤 1-2客户端向NameNode发起上传文件的请求。NameNode 检查文件是否已存在、目录权限是否允许如果确认可以响应客户端开始上传。步骤 3-4客户端将文件在本地切分为若干个 Block默认 128MB。客户端向 NameNode 请求第一个 Block应该上传到哪些 DataNode假设 3 副本NameNode 返回 A, B, C 三个节点。步骤 5客户端与 DataNode A 建立传输通道。A 收到请求后自动与 B 建立连接B 与 C 建立连接形成一个Pipeline管线。步骤 6-7客户端开始向管线中的 A 发送数据Packet 打包。A 收到一个 Packet 后立刻转发给 BB 再转发给 C。每传完一个 Packet数据节点会返回应答给客户端。当一个 Block 传输完成后客户端会收到成功的响应信息。步骤 8客户端向 NameNode 请求上传第二个 Block重复上述步骤直到所有 Block 上传完成。六、 HDFS Shell 常用命令实战掌握 HDFS Shell 命令是运维大数据平台的必备技能。以下命令均基于 Hadoop 3.x 环境。1. 查看 HDFS 文件# 查看根目录下的文件列表 hadoop fs -ls / # 查看特定目录下的文件 hadoop fs -ls /user # 查看普通文件内容 hadoop fs -cat /logs/demo10.txt # 查看压缩文件支持 zip, gzip, bzip2 等格式 hadoop fs -text /logs/demo10.tar.gz2. 增加文件与目录# 创建空文件 (touch) hadoop fs -touchz /logs/demo101.txt # 创建目录 (mkdir) hadoop fs -mkdir /logs/demo # 从本地 (Local) 上传文件到 HDFS (put) hadoop fs -put /local/hello.txt /logs/demo/ # 从 HDFS 下载文件到本地 (get) hadoop fs -get /logs/demo/hello.txt /home/hadoop/3. 移动与改名文件# HDFS 内部移动或重命名文件 hadoop fs -mv /logs/demo/hello.txt /tmp/hello_world.txt # 从本地移动文件到 HDFS (本地文件将被删除) hadoop fs -moveFromLocal /tmp/spark-2.4.5.tgz /logs/demo/4. 删除文件# 普通删除 (会进入 HDFS 回收站) hadoop fs -rm -r /logs/demo/hello.txt # 跳过回收站强制删除 (不安全慎用) hadoop fs -rm -r -skipTrash /tmp/hive_test # 清空 HDFS 回收站 (释放空间) hadoop fs -expunge5. 追加文件内容HDFS 的文件不支持修改Seek/Write但支持追加内容。# 将本地的 aa1.log 内容追加到 HDFS 的 /logs/aa.log 末尾 hadoop fs -appendToFile ./aa1.log /logs/aa.log6. 修改权限与所有者 (类似 Linux 命令)# 修改文件或目录的所有者 (chown) hadoop fs -chown -R hadoop:hadoop /logs/aa.log # 修改文件的读写执行权限 (chmod) hadoop fs -chmod 744 /logs/aa.log总结HDFS 通过精巧的Master/Slave 架构和元数据分离机制FsImageEditLog配合Checkpoint 合并和Pipeline 流式传输实现了在廉价硬件上的海量数据高可靠存储。日常维护中熟练掌握HDFS Shell指令足以应对 90% 的文件管理操作。希望本文的图文解析能为您在大数据学习的道路上扫清障碍