HDFS基本命令
接觸大數據挺長時間了，項目剛剛上完線，趁着空閑時間整理下大數據hadoop、Hbase等常用命令以及各自的優化方式，當做是一個學習筆記吧。
HDFS命令基本格式：Hadoop fs -cmd < args >
ls 命令
hadoop fs -ls / 列出hdfs文件系統根目錄下的目錄和文件
hadoop fs -ls -R / 遞歸列出hdfs文件系統所有的目錄和文件
put 命令
hadoop fs -put < local file > < hdfs file > 本地文件上傳到HDFS
hadoop fs -put < local file or dir >...< hdfs dir > 多個本地文件或目錄上傳到HDFS
moveFromLocal 命令
hadoop fs -moveFromLocal < local src > ... < hdfs dst > 與put相類似，命令執行后源文件local src 被刪除，也可以從從鍵盤讀取輸入到hdfs file中
copyFromLocal 命令
hadoop fs -copyFromLocal < local src > ... < hdfs dst > 與put相類似，也可以從從鍵盤讀取輸入到hdfs file中
get 命令
hadoop fs -get < hdfs file > < local file or dir> local file，不能和hdfs file名字不能相同，否則會提示文件已存在，沒有重名的文件會復制到本地
hadoop fs -get < hdfs file or dir > ... < local dir > 拷貝多個文件或目錄到本地時，本地要為文件夾路徑
copyToLocal 命令
hadoop fs -copyToLocal < local src > ... < hdfs dst > 與get相類似
rm 命令
hadoop fs -rm < hdfs file > ... hadoop fs -rm -r < hdfs dir>... 每次可以刪除多個文件或目錄
mkdir 命令
hadoop fs -mkdir < hdfs path> 只能一級一級的建目錄，父目錄不存在的話使用這個命令會報錯hadoop fs -mkdir -p < hdfs path> 所創建的目錄如果父目錄不存在就創建該父目錄
cp 命令
hadoop fs -cp < hdfs file > < hdfs file > 目標文件不能存在，否則命令不能執行，相當於給文件重命名並保存，源文件還存在。
hadoop fs -cp < hdfs file or dir >... < hdfs dir > 目標文件夾要存在，否則命令不能執行
mv 命令
hadoop fs -mv < hdfs file > < hdfs file > 目標文件不能存在，否則命令不能執行，相當於給文件重命名並保存，源文件不存在hadoop fs -mv < hdfs file or dir >... < hdfs dir > 源路徑有多個時，目標路徑必須為目錄，且必須存在。
du 命令
hadoop fs -du < hdsf path>
顯示hdfs對應路徑下每個文件夾和文件的大小hadoop fs -du -s < hdsf path> 顯示hdfs對應路徑下所有文件和的大小hadoop fs -du -h < hdsf path>
setrep 命令
hadoop fs -setrep -R 3 < hdfs path > 改變一個文件在hdfs中的副本個數，上述命令中數字3為所設置的副本個數，-R選項可以對一個人目錄下的所有目錄+文件遞歸執行改變副本個數的操作
tail 命令
hadoop fs -tail < hdfs file > 在標准輸出中顯示文件末尾的1KB數據archive 命令
hadoop archive -archiveName name.har -p < hdfs parent dir > < src >* < hdfs dst > 命令中參數。
name：壓縮文件名，自己任意取；< hdfs parent dir > ：壓縮文件所在的父目錄；< src >：要壓縮的文件名；< hdfs dst >：壓縮文件存放路徑，*示例：hadoop archive -archiveName hadoop.har -p /user 1.txt 2.txt /des ，示例中將hdfs中/user目錄下的文件1.txt，2.txt壓縮成一個名叫hadoop.har的文件存放在hdfs中/des目錄下，如果1.txt，2.txt不寫就是將/user目錄下所有的目錄和文件壓縮成一個名叫hadoop.har的文件存放在hdfs中/des目錄下顯示har的內容可以用如下命令：hadoop fs -ls /des/hadoop.jar 顯示har壓縮的是那些文件可以用如下命令hadoop fs -ls -R har:///des/hadoop.har
JavaAPI訪問HDFS
FileSystem類主要方法：
get()，create()，append()，listStatus()，copyFromLocal()
HDFS日常管理
安全模式
☆集群啟動后處於安全模式，直到副本數滿足閥值要求才退出
☆命令：Hadoop dfsadmin –safemode enter|leave|get|wait
☆只能瀏覽不能修改
☆通常在系統維護之前使用
HDFS日常管理
☆集群基本信息報告：
Hadoop dfsadmin –report
☆動態刷新
host配置：hadoop dfsadmin –refreshNodes
☆節點間數據均衡：hadoop balancer
☆目錄配額：hadoop dfsadmin -setQuota 文件個數
hadoop dfsadmin – setSpaceQuota 空間大小
HDFS日常管理-文件系統檢查
☆命令：hadoop fsck <path> [-move | -delete | -openforwrite] [-files [-blocks [-locations -racks]]]
<path> 檢查這個目錄中的文件是否完整
-move 破損的文件移至/lost+found目錄
-delete刪除破損的文件
-openforwrite打印正在打開寫操作的文件
-files打印正在check的文件名
-blocks打印block報告(需要和-files參數一起使用)
-locations打印每個block的位置信息(需要和-files參數一起使用)
-racks打印位置信息的網絡拓撲圖(需要和-files參數一起使用)
HDFS調優
☆dfs.block.size
建議512MB，太小的blocksize會增加NameNode負擔
☆dfs.namenode.handler.count
根據CPU數和內存數設置，推薦100，較大的值可提升文件處理吞吐量
☆dfs.datanode.handler.count DataNode
的接收和發送數據的處理線程數，推薦200，受磁盤繁忙情況制約
☆dfs.data.dir DataNode
存儲Block文件的目錄，設置為多個可提升DataNode吞吐量，多目錄以逗號分割
☆dfs.heartbeat.interval和heartbeat.recheck.interval
DN與NN心跳間隔，計算公式：timeout = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval
☆dfs.datanode.max.xcievers DataNode
可同時處理的最大文件數
☆io.file.buffer.size
讀寫緩沖區大小，通常設置為65536以上，可減少IO次數
☆io.bytes.per.checksum
每校驗碼所校驗的字節數，默認512字節，不要超過io.file.buffer.size
HBase
Rowkey設計原則
•長度原則
–Rowkey最長64kb。以byte[]存儲，建議rowkey越短越好，不要超過16字節
•散列原則
–加鹽
–哈希
–反轉
–時間戳反轉
•唯一原則，rowKey必須保證唯一
參數優化
處理線程優化
增加handler個數
參數hbase.regionserver.handler.count配置的是region server開啟的處理對用戶表的請求的線程個數，默認值是10。設置該值的原則是：如果每個請求的負載達到MB，如大的put，scan caching設置很大的scan，那么保持該值比較小；否則，如果負載小，如get，小的put，increment，delete，把該值設大。
緩沖大小
hfile.block.cache.size
regionserver cache的大小，默認是0.2，是整個堆內存的多少比例作為regionserver的cache，調大該值會提升查詢性能，當然也不能過大，如果我們的hbase基本都是大量的查詢，寫入不是很多的話，調到0.5也就夠了，說到這個值，有一個地方需要說明一下，如果生產環境有mapred任務去scan hbase的時候，一些要在mapred scan類中加一個scan.setCacheBlocks(false)，避免由於mapred使用regionserver的cache都被替換，造成hbase的查詢性能明顯下降。
Memstore
hbase.hregion.memstore.flush.size
一個regionserver的單個region memstore的大小，默認是64M，在hbase結構中,一個regionserver管理多個region，一個region對應一個hlog和多個store，一個store對應多個storefile和一個memstore，這里的hbase.hregion.memstore.flush.size意思是一個region下面的所有store里面的memstore的達到多少時，開始將這些memstore flush到hdfs中去，配置這個值，需要參考一下，平均每個regionserver管理的region數量，如果每台regionsever管理的region不多的話，可以適當的調大該值，如512M時再flush。
hbase.regionserver.global.memstore.upperLimit/hbase.regionserver.global.me
mstore.lowerLimit
配置一台regionserver所有memstore占整個堆的最大比例，默認是0.4/0.35，二個值的差異在於是做局部的flush，還是全部flush，如果我們的regionserver日志中，頻發出現因為超過hbase.regionserver.global.memstore.lowerLimit而做flush的信息，我覺得有必要調小hbase.hregion.memstore.flush.size，或者適當調大這二個值，當然hbase.regionserver.global.memstore.upperLimit和hfile.block.cache.size的和不能大於1，到0.8我覺得已經夠大了。如果我們的jvm內存回收是使用cms的話，有一個值CMSInitiatingOccupancyFraction（內存使用到時多少時，一始cms回收內存）的大小和覺得和這個有關系，略小於hbase.regionserver.global.memstore.upperLimit和hfile.block.cache.size的和是一個不錯的選擇。
Compaction
•hbase.hstore.compactionThreshold/hbase.hregion.majorcompaction
hbase.hstore.compactionThreshold執行compaction的store數量，默認值是3，如果需要提高查詢性能，當然是storefile的數量越小，性能越好，但是執行compaction本身有性能資源的開消，如果regionserver頻繁在compacion對性能影響也很大。hbase.hregion.majorcompaction表示majorcompaction的周期，默認是1 天，majorcompaction與普通的compaction的區別是majorcompaction會清除過期的歷史版本數據，同時合並storefile，而普通的compaction只做合並，通常都是majorcompaction，調為0，然后手工定期的去執行一下majorcompaction，適當調小點compacionThreshold。
Region
•hbase.hregion.max.filesize
配置region大小，0.94.12版本默認是10G，region的大小與集群支持的總數據量有關系，如果總數據量小，則單個region太大，不利於並行的數據處理，如果集群需支持的總數據量比較大，region太小，則會導致region的個數過多，導致region的管理等成本過高，如果一個RS配置的磁盤總量為3T*12=36T數據量，數據復制3份，則一台RS服務器可以存儲10T的數據，如果每個region最大為10G，則最多1000個region，如此看，94.12的這個默認配置還是比較合適的，不過如果要自己管理split，則應該調大該值，並且在建表時規划好region數量和rowkey設計，進行region預建，做到一定時間內，每個region的數據大小在一定的數據量之下，當發現有大的region，或者需要對整個表進行region擴充時再進行split操作，一般提供在線服務的hbase集群均會棄用hbase的自動split，轉而自己管理split。