sparkhdfs文件夾

① 如何在spark中刪除hdfs的某個文件夾

hadoop 添加刪除datanode及tasktracker

首先：

建議datanode和tasktracker分開寫獨立的exclude文件，因為一個節點即可以同時是datanode和tasktracker，也可以單獨是datanode或tasktracker。

1、刪除datanode

修改namenode上的hdfs-site.xml

<property>
<name>dfs.hosts</name>
<value>/usr/local/hadoop/conf/datanode-allow-list</value>
</property>

<property>
<name>dfs.hosts.exclude</name>
<value>/usr/local/hadoop/conf/datanode-deny-list</value>
</property>

其中dfs.host列出了連入namenode的節點，如果為空，則所有的datanode都可以連入namenode。如果不為空，則文件中存在的datanode可以連入。
dfs.hosts.exclude列出了禁止連入namenode的節點。
如果一個節點同時存在於dfs.hosts和dfs.hosts.exclude，則禁止連入。

具體步驟

（1）將要刪除的datanode加入到dfs.hosts.exclude指定的文件中。（最好使用主機名，IP有時可能不生效）

（2）動態刷新配置，不需要重啟namenode

hadoop dfsadmin -refreshNodes

（3）通過hadoop dfsadmin -report或webui，可以看到，該datanode的狀態為Decommissioning

（4）等待一段時間，該節點為dead狀態。

（5）刪除dfs.hosts文件中該節點 即下架目標機器後，再次編輯dfs.hosts.exclude，把剛才下架的機器的ip或機器名移走

（6）

hadoop dfsadmin -refreshNodes

註：按照上面的操作後，如果你想要重新啟用該節點為datanode，從dfs.hosts.exclude中刪除該節點，refreshNodes，然後，到該節點上，重啟啟動該datanode：

/usr/local/hadoop/bin/hadoop-daemon.sh stop datanode
/usr/local/hadoop/bin/hadoop-daemon.sh start datanode

注:正確的刪除datanode的方法應該是按照上面的方法，使用exclude文件，而不應該直接去datanode上去sotp datanode，這樣會造出數據丟失，而且stop以後，webui和hadoop dfsadmin -report都仍然顯示該datanode節點。除非重新啟動namenode。
之所以重新啟用exclude的節點時可以stop datanode，因為此時該datanode不包含在cluster中，所以，stop後不會造成數據丟失。

2、添加datanode
如果存在dfs.hosts文件，且不為空，則添加新的datanode到該文件中，refreshNodes。
到新節點上，啟動即可

/usr/local/hadoop/bin/hadoop-daemon.sh start datanode

如果不存在dfs.hosts文件，或文件為空，直接啟動新節點即可。

3、刪除tasktracker
原理和步驟與刪除datanode一樣。
<property>
<name>mapred.hosts</name>
<value>/usr/local/hadoop/conf/tasktracker-allow-list</value>
</property>

<property>
<name>mapred.hosts.exclude</name>
<value>/usr/local/hadoop/conf/tasktracker-deny-list</value>
</property>

動態刷新配置的命令為：
hadoop mradmin -refreshNodes
立刻生效，可以在webui中看到，nodes節點數量的變化，以及Excluded Nodes節點的變化。
具體的步驟參考上面的刪除datanode的步驟

註：按照上面的操作後，如果你想要重新啟用該節點為tasktracker，從mapred.hosts.exclude中刪除該節點，refreshNodes，然後，到該節點上，重啟啟動該tasktracker：

/usr/local/hadoop/bin/hadoop-daemon.sh stop tasktracker
/usr/local/hadoop/bin/hadoop-daemon.sh start tasktracker

注:正確的刪除tasktracker的方法應該是按照上面的方法，使用exclude文件，而不應該直接去tasktracker上去sotp tasktracker，這樣會造成job失敗，而且stop以後，webui上仍然顯示該tasktracker節點。除非重新啟動jobtracker。

我遇到的一個問題：
在exclude文件中，我使用了IP，發現tasktracker仍然參與計算。
在webui中發現，Excluded Nodes中存在該IP，Nodes中仍然存在該tasktracker的hostname。
解決的辦法就是，在exclude中使用hostname而不使用IP。
判斷是否真正生效：如果exclued文件中正確的填寫了要失效的node，則總得nodes數量應該減小。

4、添加tasktracker
如果存在mapred.hosts文件，且不為空，則添加新的tasktracker到該文件中，refreshNodes。
到新節點上，啟動即可

/usr/local/hadoop/bin/hadoop-daemon.sh start tasktracker

如果不存在mapred.hosts文件，或文件為空，直接啟動新節點即可。

6、添加或刪除datanode後，平衡磁碟利用率
運行bin/start-balancer.sh，這個會很耗時間
備註：
如果不balance，那麼cluster會把新的數據都存放在新的node上，這樣會降低mr的工作效率；

/usr/local/hadoop/bin/start-balancer.sh -threshold 0.1
7下架目標機器後，再次編輯mapred.hosts.exclude，把剛才下架的機器的ip或機器名移走

threshold 是平衡閾值，默認是10%，值越低各節點越平衡，但消耗時間也更長。
balancer也可以在有mr job的cluster上運行，默認dfs.balance.bandwidthPerSec很低，為1M/s。在沒有mr job時，可以提高該設置加快負載均衡時間。
在namenode的hdfs-site.xml中增加設置balance的帶寬，默認只有1M：

<property>
<name>dfs.balance.bandwidthPerSec</name>
<value>10485760</value><description>Specifies themaximum bandwidth that each datanode can utilize for the balancing purpose interm of the number of bytes per second.</description>
</property>

② 如何向Spark個節點共享靜態文件和jar包

addFile方法可以接收本地文件（或者HDFS上的文件），甚至是文件夾（如果是文件夾，必須是HDFS路徑），然後Spark的Driver和Exector可以通過SparkFiles.get()方法來獲取文件的絕對路徑（Get the absolute path of a file added through SparkContext.addFile()）,addFile的函數原型如下：
def addFile(path: String): Unit
def addFile(path: String, recursive: Boolean): Unit
addFile把添加的本地文件傳送給所有的Worker，這樣能夠保證在每個Worker上正確訪問到文件。另外，Worker會把文件放在臨時目錄下。因此，比較適合用於文件比較小，計算比較復雜的場景。如果文件比較大，網路傳送的消耗時間也會增長。
Spark中addFile載入配置文件
val qqwry = "hdfs://dcnameservice/mcloud/data/datacenter/aws/mediastat/tools/qqwry.dat"//分發文件sc.addFile(qqwry)

獲取分發文件絕對路徑：
SparkFiles.get("qqwry.dat");

我們在使用Spark的時候有時候需要將一些數據分發到計算節點中。一種方法是將這些文件上傳到HDFS上，然後計算節點從HDFS上獲取這些數據。當然我們也可以使用addFile函數來分發這些文件。注意，如果是spark程序通過yarn集群上載入配置文件，path必須是集群hdfs的絕對路徑.

③ spark和hadoop的區別

spark和hadoop的區別：誕生的先後順序、計算不同、平台不同。
誕生的先後順序，hadoop屬於第一代開源大數據處理平台，而spark屬於第二森盯代。屬於下一代的spark肯定在綜合評價上要優於第一代的hadoop。
計算不同spark和hadoop在分布式計算的底層思路上，其實宏昌是極為相似的，即maprece分布式運算模此絕和型：將運算分成兩個階段，階段1-map，負責從上游拉取數據後各自運算，然後將運算結果shuffle給下游的rece，rece再各自對通過shuffle讀取來的數據進行聚合運算spark和hadoop在分布式計算的具體實現上，又有區別；hadoop中的maprece運算框架，一個運算job，進行一次map-rece的過程；而spark的一個job中，可以將多個map-rece過程級聯進行。
平台不同spark和hadoop區別是，spark是一個運算平台，而hadoop是一個復合平台（包含運算引擎，還包含分布式文件存儲系統，還包含分布式運算的資源調度系統），所以，spark跟hadoop來比較的話，主要是比運算這一塊大數據技術發展到目前這個階段，hadoop主要是它的運算部分日漸式微，而spark目前如日中天，相關技術需求量大，offer好拿。