Hadoop2.x 和 Hadoop3.x 的新特性

Hadoop2.x 新特性

集群间数据拷贝

1）scp 实现两个远程主机之间的文件复制


scp -r hello.txt root@hadoop103:/user/hadoop/hello.txt // 推 push
scp -r root@hadoop103:/user/hadoop/hello.txt hello.txt // 拉 pull
scp -r root@hadoop103:/user/hadoop/hello.txt root@hadoop104:/user/hadoop 
// 是通过本地主机中转实现两个远程主机的文件复制；如果在两个远程主机之间 ssh 没有配置
   的情况下可以使用该方式。

2）采用 distcp 命令实现两个 Hadoop 集群之间的递归数据复制


[hadoop@hadoop102 hadoop-3.1.3]$ bin/hadoop distcp
hdfs://hadoop102:9820/user/hadoop/hello.txt
hdfs://hadoop105:9820/user/hadoop/hello.txt

小文件存档

1、HDFS存储小文件弊端

每个文件均按块存储，每个块的元数据存储在NameNode的内存中，因此HDFS存储小文件会非常低效。因为大量的小文件会耗尽NameNode中的大部分内存。但注意，存储小文件所需要的磁盘容量和数据块的大小无关。例如，一个1MB的文件设置为128MB的块存储，实际使用的是1MB的磁盘空间，而不是128MB。

2、解决存储小文件办法之一

HDFS存档文件或HAR文件，是一个更高效的文件存档工具，它将文件存入HDFS块，在减少NameNode内存使用的同时，允许对文件进行透明的访问。具体说来，HDFS存档文件对内还是一个一个独立文件，对NameNode而言却是一个整体，减少了NameNode的内存。

案例实操

（1）需要启动 YARN 进程


[hadoop@hadoop102 hadoop-3.1.3]$ start-yarn.sh

（2）归档文件

把/user/hadoop/input 目录里面的所有文件归档成一个叫 input.har 的归档文件，并把归档后文件存储到/user/atguigu/output 路径下。


[hadoop@hadoop102 hadoop-3.1.3]$ hadoop archive -archiveName input.har -p /user/hadoop/input /user/hadoop/output

（3）查看归档


[hadoop@hadoop102 hadoop-3.1.3]$ hadoop fs -ls /user/hadoop/output/input.har
[hadoop@hadoop102 hadoop-3.1.3]$ hadoop fs -ls har:///user/hadoop/output/input.har

（4）解归档文件


[hadoop@hadoop102 hadoop-3.1.3]$ hadoop fs -cp har:/// user/hadoop/output/input.har/* /user/hadoop

回收站

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）回收站参数设置及工作机制

开启回收站功能参数说明：

1、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。

2、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。

3、要求fs.trash.checkpoint.interval<=fs.trash.interval。

回收站工作机制：

2）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>
<property>
    <name>fs.trash.checkpoint.interval</name>
    <value>1</value>
</property>

3）查看回收站

回收站目录在hdfs集群中的路径：/user/hadoop/.Trash/….

4）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 = New Trash(conf);
trash.moveToTrash(path);

5）通过网页上直接删除的文件也不会走回收站。

6）只有在命令行利用hadoop fs -rm命令删除的文件才会走回收站。


[hadoop@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /user/hadoop/input
2021-07-14 16:13:42,643 INFO fs.TrashPolicyDefault: Moved: 'hdfs://hadoop102:9820/user/hadoop/input' to trash at: hdfs://hadoop102:9820/user/hadoop/.Trash/Current/user/hadoop/input

7）恢复回收站数据


[hadoop@hadoop102 hadoop-3.1.3]$ hadoop fs -mv /user/hadoop/.Trash/Current/user/hadoop/input    /user/hadoop/input

Hadoop3.x新特性

多NN的HA架构

HDFS NameNode高可用性的初始实现为单个活动NameNode和单个备用NameNode，将edits复制到三个JournalNode。该体系结构能够容忍系统中一个NN或一个JN的故障。

但是，某些部署需要更高程度的容错能力。Hadoop3.x允许用户运行多个备用NameNode。例如，通过配置三个NameNode和五个JournalNode，群集能够容忍两个节点而不是一个节点的故障。

纠删码

HDFS中的默认3副本方案在存储空间和其他资源（例如，网络带宽）中具有200％的开销。但是，对于I / O活动相对较低暖和冷数据集，在正常操作期间很少访问其他块副本，但仍会消耗与第一个副本相同的资源量。

纠删码（Erasure Coding）能够在不到50% 的数据冗余情况下提供和3副本相同的容错能力，因此，使用纠删码作为副本机制的改进是自然而然的。

查看集群支持的纠删码策略：hdfs ec -listPolicies

Hadoop 教程