HDFS初识

HDFS 的工作方式可由此文章了解:
https://mp.weixin.qq.com/s?__biz=MzIzMTE1ODkyNQ==&mid=2649411210&idx=1&sn=749f6a034d91ed3292a9f7167dee9c41&chksm=f0b60b68c7c1827e82d4d3ba39cd1acd4f564ec556ef7bbc023d6517fe563a34f3d385244b7a&mpshare=1&scene=1&srcid=0220JSiTYfZyoCtnv2wrtooh\#rd

HDFS(Hadoop Distributed File System)是Hadoop项目的核心子项目,是分布式计算中数据存储管理的基础,是基于流数据模式访问和处理超大文件的需求而开发的,可以运行于廉价的商用服务器上。

HDFS 具有以下优点:

1、高容错性

数据自动保存多个副本。它通过增加副本的形式,提高容错性。
某一个副本丢失以后,它可以自动恢复,这是由 HDFS 内部机制实现的。
2、适合批处理

它是通过移动计算而不是移动数据。
它会把数据位置暴露给计算框架。
3、适合大数据处理

处理数据达到 GB、TB、甚至PB级别的数据。
能够处理百万规模以上的文件数量,数量相当之大。
能够处理10K节点的规模。

4、流式文件访问
一次写入,多次读取。文件一旦写入不能修改,只能追加。
它能保证数据的一致性。

5、可构建在廉价机器上
它通过多副本机制,提高可靠性。
它提供了容错和恢复机制。比如某一个副本丢失,可以通过其它副本来恢复。
HDFS 的劣势:

1、数据低延时数据访问

它适合高吞吐率的场景,就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的,比如毫秒级以内读取数据,这样它是很难做到的。

2、小文件存储
小文件是指文件size小于HDFS上block大小的文件。这样的文件会给hadoop的扩展性和性能带来严重问题。首先,在HDFS中,任何block,文件或者目录在内存中均以对象的形式存储,每个对象约占150byte,如果有1000 0000个小文件,每个文件占用一个block,则namenode大约需要2G空间。如果存储1亿个文件,则namenode需要20G空间。

这样namenode内存容量严重制约了集群的扩展。 其次,访问大量小文件速度远远小于访问几个大文件。HDFS最初是为流式访问大文件开发的,如果访问大量小文件,

需要不断的从一个datanode跳到另一个datanode,严重影响性能。
最后,处理大量小文件速度远远小于处理同等大小的大文件的速度。每一个小文件要占用一个slot,而task启动将耗费大量时间甚至大部分时间都耗费在启动task和释放task上。
小文件存储的寻道时间会超过读取时间,它违反了HDFS的设计目标。
小文件解决方案

3、并发写入、文件随机修改
一个文件只能有一个写,不允许多个线程同时写。
仅支持数据 append(追加),不支持文件的随机修改。

HDFS 采用Master/Slave的架构来存储数据,这种架构主要由四个部分组成,分别为HDFS Client、NameNode、DataNode和Secondary NameNode。

1、Client:就是客户端。

文件切分。文件上传 HDFS 的时候,Client 将文件切分成 一个一个的Block,然后进行存储。

与 NameNode 交互,获取文件的位置信

1`
息。
与 DataNode 交互,读取或者写入数据。

Client 提供一些命令来管理 HDFS,比如启动或者关闭HDFS。
Client 可以通过一些命令来访问 HDFS。

2、NameNode:就是 master,它是一个主管、管理者。

管理 HDFS 的名称空间

1管理数据块(Block)映射信息 2 3

配置副本策略
处理客户端读写请求。

3、DataNode:就是Slave。NameNode 下达命令,DataNode 执行实际的操作。

1存储实际的数据块。 2执行数据块的读/写操作。 3 4

4、Secondary NameNode:并非 NameNode 的热备。当NameNode 挂掉的时候,它并不能马上替换 NameNode 并提供服务。

辅助 NameNode,分担其工作量。
定期合并 fsimage和fsedits,并推送给NameNode。
在紧急情况下,可辅助恢复 NameNode。

HDFS 读取文件
HDFS的文件读取原理,主要包括以下几个步骤:

  • 首先调用

FileSystem对象的open方法,其实获取的是一个 DistributedFileSystem的实例。

  • DistributedFileSystem通过RPC(远程过程调用)获得文件的第一批block的locations,

同一block按照重复数会返回多个locations,这些block的locations按照hadoop拓扑结构排序,距离客户端近的排在前面。

  • 前两步会返回一个FSDataInputStream对象,该对象会被封装成

DFSInputStream对象,DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方法,DFSInputStream就会 找出离客户端最近的datanode并连接datanode。

  • 数据从datanode源源不断的流向客户端。
  • 如果第一个block块的数据读完了,就会关闭指向第一个block块的datanode连接,接着读取下一个block块。这些操作对客户端来说是透明的,从客户端的角度来看只是读一个持续不断的流。
  • 如果第一批block都读完了,DFSInputStream就会去namenode拿下一批blocks的location,然后继续读,如果所有的block块都读完,这时就会关闭掉所有的流。

HDFS 写入文件

HDFS的文件写入:

  • 客户端通过调用

DistributedFileSystem 的create方法,创建一个新的文件。

  • DistributedFileSystem 通过 RPC(远程过程调用)

调用
NameNode,去创建一个没有blocks关联的新文件。创建前,NameNode
会做各种校验,比如文件是否存在,客户端有无权限去创建等。如果校验通过,NameNode 就会记录下新文件,否则就会抛出IO异常。

  • 前两步结束后会返回 FSDataOutputStream 的对象,和读文件的时候相似,FSDataOutputStream 被封装成

DFSOutputStream,DFSOutputStream 可以协调 NameNode和
DataNode。客户端开始写数据到DFSOutputStream, DFSOutputStream会把数据切成一个个小packet,然后排成队列
data queue。

  • DataStreamer 会去处理接受 data queue,它先问询 NameNode 这个新的 block

最适合存储的在哪几个DataNode里,比如重复数是3,那么就找到3个最适合的 DataNode,把它们(DataNode)排成一个
pipeline。DataStreamer 把 packet 按队列输出到管道的第一个 DataNode 中, 第一个 DataNode又把
packet 输出到第二个 DataNode 中,以此类推。

  • DFSOutputStream 还有一个队列叫 ack queue,也是由 packet

组成,等待DataNode的收到响应, 当pipeline中的所有DataNode都表示已经收到的时候,这时akc
queue才会把对应的packet包移除掉。

  • 客户端完成写数据后,调用close方法关闭写入流。 DataStreamer 把剩余的包都刷到 pipeline 里,然后等待 ack

信息,收到最后一个 ack 后,通知 DataNode 把文件标示为已完成。

代码交流 2021