Hadoop学习5-4：Hadoop3.x新特性——纠删码（擦除编码）
1 基本概念
HDFS为擦除编码(EC)提供了支持，以更有效地存储数据。与默认三个副本机制相比，EC策略可以节省约50%的存储空间但不可忽略的是编解码的运算会消耗CPU资源。纠删码的编解码性能对其在
HDFS中的应用起着至关重要的作用，如果不利用硬件方面的优化就很难得到理想的性能。英特尔的智能存储加速库（ISA-L）提供了对纠删码编解码的优化，极大的提升了其性能纠删码是
hadoop3.x新加入的功能，之前的hdfs都是采用副本方式容错，默认情况下，一个文件有3个副本，可以容忍任意2个副本（datanode)不可用，这样提高了数据的可用性，但也带来了2倍的冗余开销。例如3TB的空间，只能存储1TB的有效数据。而纠删码则可以在同等可用性的情况下，节省更多的空间，以RS-6-3-1024K这种纠删码策略为例子,6份原始数据，编码后生成3份校验数据，一共9份数据，只要最终有6份数据存在，就可以得到原始数据，它可以容忍任意3份数据不可用.
2 纠删码操作
2.1 纠删码策略查看
hdfs ec -listPolicies
上述策略中有多种，如上述策略箭头指向，这里介绍其中一种，其他
以此类推
RS-6-3-1024k：使用RS编码，每6个数据单元，生成3个校验单元，共9个单元，也就是说:这9个单元中，只要有任意的6个单元存在（不管是数据单元还是校验单元，只要总数=6），就可以得到原始数据。例如上传一个40MB的数据，那么就会将40MB的数据按1024KB为一块进行完全划分（1024KB也是最小的数据单元）。而策略中的6表示分割6个原始数据部分，对于40MB的数据，划分为6个部分，那么每个部分是7MB，7MB的数据可以看做由多个1024KB的组成，同时它也是使用1024KB进行计算的（因为并不能做到每个数据内容都能进行一个6的整倍数）原始数据部分存储是6*7MB=42MB，而使用原来副本数存储（我这里设置的是3个），那么占用的内存就是120MB，虽然纠删码策略的校验单元也占用内存，但是理论上纠删码策略节省的空间高达50%，
State：表示策略的状态。上图中RS-6-3-1024K表示开启状态理论状态下
RS-6-3-1024k需要9台DataNode，RS-3-2-1024k需要5台DataNode支持，其他以此类推
2.2 纠删码策略设置
纠删码策略是与具体的路径（
path）相关联的。也就是说，如果我们要使用纠删码，则要给一个具体的路径设置纠删码策略，后续，所有往此目录下存储的文件，都会执行此策略
默认只开启对RS-6-3-1024k策略的支持，如要使用别的策略需要先启用
以下以为input目录设置RS-3-2-1024K为例，开启纠删码策略，就不会以原来的副本策略去存储文件
1、 开启对RS-3-2-1024k策略的支持（开启以后才能使用该策略）
#开启
hdfs ec -enablePolicy -policy RS-3-2-1024k
#禁用
hdfs ec -disablePolicy -policy RS-3-2-1024k
2、在HDFS创建目录，并设置擦除策略
#目录创建
hdfs dfs -mkdir /input
#为input目录设置策略
hdfs ec -setPolicy -path /input -policy RS-3-2-1024k
#获取目录的纠删码策略
hdfs ec -getPolicy -path /input
3、上传文件，并查看文件编码后的存储情况
将任意文件上传到HDFS上，并查看副本数（当前集群中设置副本数是3，并且创建了5台DataNode，理论上RS-3-2-1024K需要5台DataNode支持）
可以看到副本数为1，跟设置的不相同。点击文件可以产看数据的存储情况，可以看到在5台机器上都有数据，5个机器上的数据也就是我们的3个数据单元以及2个检验单元，每个单元在一个机器上，而不是5个单元在一个机器上。每个单元只会存一份
通过以下文件查看文件的存储情况
hdfs fsck /input/aaa.txt -files -blocks -locations
2.3 纠删码策略测试
根据纠删码策略的特性，这里关闭其中一个DataNode，那么存储的5个单元中，就会缺失一个，尝试是否能正常获取文件，使用一下命令获取文件到本地
hadoop fs -get input/aaa.txt ./ec
正常而言是会报一下的错误，但是该存储是正常的，打开ec文件会看到文件被完整复制到了本地中