深入剖析分布式文件系统HDFS

Hadoop 主要由HDFS和MapReduce 两个核心部分组成。其中最底部就是HDFS,它被用来存储Hadoop 集群中所有存储节点上的文件。

(一)HDFS 的产生背景?

        随着数据量越来越大,在一个操作系统管辖的范围内存不下了,那么就分配到更多的操作系统管理的磁盘中,但是不方便管理和维护,迫切需要一种系统来管理多台机器上的文件,这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。

(二)HDFS 到底是什么?

        HDFS(Hadoop Distributed File System)是Hadoop的核心子项目,是一个可以运行在普通硬件设备上的分布式文件系统,是分布式计算中数据存储和管理的基础,是基于流数据模式访问和处理超大文件的需求而开发的。它所具有的高容错、高可靠性、高可扩展性、高吞吐率等特征为海量数据提供了不怕故障的存储,给超大数据集(Large Data Set)的应用处理带来了很多便利。

(三)HDFS 从何而来?

        HDFS 源于 Google 在2003年10月份发表的GFS(Google File System) 论文。 它其实就是 GFS 的一个克隆版本。

(四)HDFS的设计目标

        1、硬件故障是常态,而不是异常

        2、适合流式数据访问

        3、适合大规模数据集

        4、简单的一致性模型

        5、移动计算比移动数据更划算

        6、轻便的访问异构的软硬件平台


(五)HDFS的架构和数据存储原理

        HDFS是一个主/从(Mater/Slave)体系结构,从最终用户的角度来看,它就像传统的文件系统一样,可以通过目录路径对文件执行CRUD(Create、Read、Update和Delete)操作。但由于分布式存储的性质,HDFS集群拥有一个NameNode和一些DataNode。NameNode管理文件系统的元数据,DataNode存储实际的数据。客户端通过同NameNode和DataNodes的交互访问文件系统。客户端联系NameNode以获取文件的元数据,而真正的文件I/O操作是直接和DataNode进行交互的。

这种架构主要由四个部分组成,分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。

        Client:就是客户端。

        1、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。

        2、与 NameNode 交互,获取文件的位置信息。

        3、与 DataNode 交互,读取或者写入数据。

        4、Client 提供一些命令来管理 HDFS,比如启动或者关闭HDFS。

        5、Client 可以通过一些命令来访问 HDFS。

        NameNode:就是 master,它是一个主管、管理者。

        1、管理 HDFS 的名称空间。

        2、管理数据块(Block)映射信息

        3、配置副本策略

        4、处理客户端读写请求。

        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。

        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。

        1、辅助 NameNode,分担其工作量。

        2、定期合并 fsimage和fsedits,并推送给NameNode。

        3、在紧急情况下,可辅助恢复 NameNode。

(六)为什么选择 HDFS 存储数据?

        1、之所以选择 HDFS 存储数据,是因为 HDFS 具有以下优点:

        (1)高容错性

        1)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。

        2)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,我们不必关心。

        (2)适合批处理

        1)它是通过移动计算而不是移动数据。

        2)它会把数据位置暴露给计算框架。

        (3)适合大数据处理

        1)数据规模:能够处理数据规模达到 GB、TB、甚至PB级别的数据。

        2)文件规模:能够处理百万规模以上的文件数量,数量相当之大。

        3)节点规模:能够处理10K节点的规模。

        (4)流式数据访问

        1)一次写入,多次读取,不能修改,只能追加。

        2)它能保证数据的一致性。

        (5)可构建在廉价机器上

        1)它通过多副本机制,提高可靠性。

        2)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。

        2、当然 HDFS 也有它的劣势,并不适合所有的场合:

        (1)不适合低延时数据访问

        1)比如毫秒级的来存储数据,这是不行的,它做不到。

        2)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。

        改进策略

        (2)无法高效的对大量小文件进行存储

        1)存储大量小文件的话,它会占用 NameNode大量的内存来存储文件、目录和块信息。这样是不可取的,因为NameNode的内存总是有限的。

        2)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。

        改进策略

        (3)并发写入、文件随机修改

        1)一个文件只能有一个写,不允许多个线程同时写。

        2)仅支持数据 append(追加),不支持文件的随机修改。

(七)HDFS 如何读取文件?

HDFS的文件读取原理,主要包括以下几个步骤:

1、首先调用FileSystem对象的open方法,其实获取的是一个DistributedFileSystem的实例。

2、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locations按照hadoop拓扑结构排序,距离客户端近的排在前面。

3、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。

4、数据从datanode源源不断的流向客户端。

5、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。

6、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。

(八)HDFS 如何写入文件?

HDFS的文件写入原理,主要包括以下几个步骤:

1.客户端通过调用 DistributedFileSystem 的create方法,创建一个新的文件。

2.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。

3.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。

4.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。

5.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。

6.客户端完成写数据后,调用close方法关闭写入流。

7.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。

(九)HDFS 副本存放策略

        namenode 如何选择在哪个 datanode 存储副本(replication)?这里需要对可靠性、写入带宽和读取带宽进行权衡。Hadoop 对 datanode 存储副本有自己的副本策略,在其发展过程中一共有两个版本的副本策略,分别如下所示。

Hadoop 0.17之前的副本策略

        第一个副本:存储在同机架的不同节点上。

        第二个副本:存储在同机架的另外一个节点上。

        第三个副本:存储在不同机架的另外一个节点。

        其它副本:选择随机存储。

Hadoop 0.17 之后的副本策略

        第一个副本:存储在同 Client 相同节点上。

        第二个副本:存储在不同机架的节点上。

        第三个副本:存储在第二个副本机架中的另外一个节点上。

        其它副本:选择随机存储。

代码交流 2021