01 HDFS 简介

时间:2023-12-12 18:43:56

01.HDFS简介

大纲:

  • hadoop2 介绍
  • HDFS概述
  • HDFS读写流程

hadoop2介绍
框架的核心设计是HDFS(存储),mapReduce(分布式计算),YARN(资源管理),为海量的数据提供了存储和计算。

Hadoop 1.0(MapReduce,HDFS)

Hadoop2 主要改进

  • YARN
  • NameNode HA
  • HDFS federation
  • Hadoop RPC 序列化扩展性

HDFS概述

定义

  • HDFS是一个分布式文件系统,具有高容错的特点。它可以部署在廉价的通用硬件上,提高高吞吐率的数据访问,适合那些需要处理海量数据集的应用程序。

主要特性

  • 支持超大文件
  • 检测和快速应对硬件故障
  • 流式数据访问
  • 简化一致性模型

不适合的场景

  • 低延迟数据访问
  • 大量的小文件
  • 多用户写入文件,修改文件

HDFS 构成

  • NameNode上保存着HDFS的名字空间。对于任何文件系统元数据产生修改的操作。
  • DataNode将HDFS数据以文件的形式存储在本地的文件系统中,它并不知道有关HDFS文件的信息,它把每个HDFS数据块存储在本地文件系统的一个单独的文件中。

数据块

  • HDFS也有块的概念,hadoop2中的HDFS块默认大小为128MB,以linux上普通文件安的形式保存在数据节点的文件系统中。数据块是HDFS的文件存储单元。
  • 优点:
    • HDFS可以保存比存储节点单一磁盘大的文件
    • 简化了存储子系统,简化了存储管理,也消除了分布式管理文件元数据的复杂性
    • 方便容错,有利于数据复制

HDFS读写流程

读过程

01 HDFS 简介
客户端(client)用FileSystem的open()函数打开文件

DistributedFileSystem用RPC调用元数据节点,得到文件的数据块信息。

对于每一个数据块,元数据节点返回保存数据块的数据节点的地址。

DistributedFileSystem返回FSDataInputStream给客户端,用来读取数据。

客户端调用stream的read()函数开始读取数据。

DFSInputStream连接保存此文件第一个数据块的最近的数据节点。

Data从数据节点读到客户端(client)

当此数据块读取完毕时,DFSInputStream关闭和此数据节点的连接,然后连接此文件下一个数据块的最近的数据节点。

当客户端读取完毕数据的时候,调用FSDataInputStream的close函数。

在读取数据的过程中,如果客户端在与数据节点通信出现错误,则尝试连接包含此数据块的下一个数据节点。

失败的数据节点将被记录,以后不再连接。

写文件流程

01 HDFS 简介
客户端调用create()来创建文件

DistributedFileSystem用RPC调用元数据节点,在文件系统的命名空间中创建一个新的文件。

元数据节点首先确定文件原来不存在,并且客户端有创建文件的权限,然后创建新文件。

DistributedFileSystem返回DFSOutputStream,客户端用于写数据。

客户端开始写入数据,DFSOutputStream将数据分成块,写入data queue。

Data queue由Data Streamer读取,并通知元数据节点分配数据节点,用来存储数据块(每块默认复制3块)。分配的数据节点放在一个pipeline里。

Data Streamer将数据块写入pipeline中的第一个数据节点。第一个数据节点将数据块发送给第二个数据节点。第二个数据节点将数据发送给第三个数据节点。

DFSOutputStream为发出去的数据块保存了ack queue,等待pipeline中的数据节点告知数据已经写入成功。

如果数据节点在写入的过程中失败:

关闭pipeline,将ack queue中的数据块放入data queue的开始。

当前的数据块在已经写入的数据节点中被元数据节点赋予新的标示,则错误节点重启后能够察觉其数据块是过时的,会被删除。

失败的数据节点从pipeline中移除,另外的数据块则写入pipeline中的另外两个数据节点。

元数据节点则被通知此数据块是复制块数不足,将来会再创建第三份备份。

当客户端结束写入数据,则调用stream的close函数。此操作将所有的数据块写入pipeline中的数据节点,并等待ack queue返回成功。最后通知元数据节点写入完毕。

创建子路径流程

客户端 ——> NameNode -> datanode

删除文件

客户端 -> namenode -> datanode