1. Hadoop HDFS介绍
Hadoop 分布式文件系统(Hadoop Distributed File System),简称 HDFS,被设计成适合运行在通用硬件上的分布式文件系统。它和现有的分布式文件系统有很多的共同点。HDFS 是一个高容错性的文件系统,提供高吞吐量的数据访问,非常适合大规模数据集上的应用。
2. HDFS 副本摆放策略
第一副本:放置在上传文件的DataNode上,如果是集群外提交,则随机挑选一台磁盘不太慢、CPU不太忙的节点上。
第二副本:放置在于第一个副本不同的机架的节点上
第三副本:与第二个副本相同机架的不同节点上
如果还有更多的副本:随机放在节点中
- 需要注意的是:
HDFS中存储的文件的副本数由上传文件时设置的副本数决定。
无论以后怎么更改系统副本系数,这个文件的副本数都不会改变;
在上传文件时优先使用启动命令中指定的副本数,如果启动命令中没有指定则使用 hdfs-site.xml 中 dfs.replication 设置的默认值
3. HDFS 负载均衡
Hadoop的HDFS集群非常容易出现机器与机器之间磁盘利用率不平衡的情况,例如:当集群内新增、删除节点,或者某个节点机器内硬盘存储达到饱和值。当数据不平衡时,Map任务可能会分配到没有存储数据的机器,这将导致网络带宽的消耗,也无法很好的进行本地计算。
当HDFS负载不均衡时,需要对HDFS进行数据的负载均衡调整,即对各节点机器上数据的存储分布进行调整。从而,让数据均匀的分布在各个DataNode上,均衡IO性能,防止热点的发生。
进行数据的负载均衡调整,必须要满足如下原则:
数据平衡不能导致数据块减少,数据块备份丢失
管理员可以中止数据平衡进程
每次移动的数据量以及占用的网络资源,必须是可控的
数据均衡过程,不能影响namenode的正常工作
4. HDFS 数据负载均衡原理
数据均衡过程的核心是一个数据均衡算法,该数据均衡算法将不断迭代数据均衡逻辑,直至集群内数据均衡为止。该数据均衡算法每次迭代的逻辑如下:
步骤分析如下:
- 数据均衡服务(Rebalancing Server)首先要求 NameNode 生成 DataNode 数据分布分析报告,获取每个DataNode磁盘使用情况
- Rebalancing Server汇总需要移动的数据分布情况,计算具体数据块迁移路线图。数据块迁移路线图,确保网络内最短路径
- 开始数据块迁移任务,Proxy Source Data Node复制一块需要移动数据块
- 将复制的数据块复制到目标DataNode上
- 删除原始数据块
- 目标DataNode向Proxy Source Data Node确认该数据块迁移完成
- Proxy Source Data Node向Rebalancing Server确认本次数据块迁移完成。然后继续执行这个过程,直至集群达到数据均衡标准
- DataNode 分组
在第2步中,HDFS会把当前的DataNode节点,根据阈值的设定情况划分到Over、Above、Below、Under四个组中。在移动数据块的时候,Over组、Above组中的块向Below组、Under组移动。四个组定义如下:
- Over 组 :此组中的DataNode的均满足
DataNode_usedSpace_percent > Cluster_usedSpace_percent + threshold
- Above 组:此组中的DataNode的均满足
Cluster_usedSpace_percent + threshold > DataNode_ usedSpace _percent > Cluster_usedSpace_percent
- Below 组:此组中的DataNode的均满足
Cluster_usedSpace_percent > DataNode_ usedSpace_percent > Cluster_ usedSpace_percent – threshold
- Under 组 :此组中的DataNode的均满足
Cluster_usedSpace_percent – threshold > DataNode_usedSpace_percent
5. HDFS 数据自动平衡脚本
在Hadoop中,包含一个 start-balancer.sh 脚本,通过运行这个工具,启动HDFS数据均衡服务。
该工具可以做到热插拔,即无须重启计算机和 Hadoop 服务。
启动命令为:
Hadoop_home/bin/start-balancer.sh –threshold
影响Balancer的几个参数:
-threshold
- 默认设置:10,参数取值范围:0-100
- 参数含义:判断集群是否平衡的阈值。理论上,该参数设置的越小,整个集群就越平衡
dfs.balance.bandwidthPerSec
- 默认设置:1048576(1M/S)
- 参数含义:Balancer运行时允许占用的带宽
示例如下:
# 启动数据均衡,默认阈值为 10%
$Hadoop_home/bin/start-balancer.sh
# 启动数据均衡,阈值 5%
bin/start-balancer.sh –threshold 5
# 停止数据均衡
$Hadoop_home/bin/stop-balancer.sh
# 该脚本不允许多进程运行
<!-- 在hdfs-site.xml文件中可以设置数据均衡占用的网络带宽限制 -->
<!-- 默认是 1MB/s,速度越快完成任务时间也越短,但是这也对机器进程速度有要求。 -->
<property>
<name>dfs.balance.bandwidthPerSec</name>
<value>1048576</value>
<description> Specifies the maximum bandwidth that each datanode can utilize for the balancing purpose in term of the number of bytes per second. </description>
</property>
注意事项:
- 阈值越小表示集群内各节点的 DFS 使用率越相近,每次需要的数据均衡时间也越久。
- 当应用程序正在使用集群,即对集群进行读写文件操作时,无法达到过于小的阈值。
- 每次数据节点的数据迁移交互不会超过 10GB 或者指定的阈值大小数据块。每一个交互过程不会大于 20 分钟。
- 上文说明的修改最大移动数据块速度值需要重新启动 HDFS 服务才能生效。
- 数据平衡是一个逐渐迭代的过程,可以通过查看输出日志知道这个过程
6. 失败分析
- 脚本自动退出条件
- 集群内数据已经达到平衡条件了。
- 没有数据块可以被移动。
- 连续三次迭代中都没有数据块移动。
- NameNode 交互失败;
- 另外已经有数据平衡进程启动。
- 失败信息输出
The cluster is balanced. Exiting…
No block can be moved. Exiting...
No block has been moved for 3 iterations. Exiting...
Received an IO exception: failure reason. Exiting...
Another balancer is running. Exiting...