HDFS

清疚 2021-12-03 20:13 320阅读 0赞

## 简述 ##

HDFS（Hadoop Distributed File System），作为Google File System（GFS）的实现，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。它所具有的高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征为海量数据提供了不怕故障的存储，为超大数据集（Large Data Set）的应用处理带来了很多便利。

## 适用、不适用的场景 ##

HDFS特点：

1.  高容错性、可构建在廉价机器上
2.  适合批处理
3.  适合大数据处理
4.  流式文件访问

HDFS局限：

1.  不支持低延迟访问
2.  不适合小文件存储
3.  不支持并发写入
4.  不支持修改

## HDFS架构 ##

看两张HDFS的架构图。

![1633202-20190614114943512-444498473.png][]

![1633202-20190614115034452-282180429.png][]

HDFS由四部分组成，HDFS Client、NameNode、DataNode和Secondary NameNode。  
HDFS是一个主/从（Mater/Slave）体系结构，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。

**HDFS客户端：**就是客户端。  
1、提供一些命令来管理、访问 HDFS，比如启动或者关闭HDFS。  
2、与 DataNode 交互，读取或者写入数据；读取时，要与 NameNode 交互，获取文件的位置信息；写入 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。

**NameNode：**即Master，  
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。

## 读、写文件过程 ##

#### 从HDFS读取内容 ####

1、首先调用DistributedFileSystem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。

![1633202-20190614115321655-436807080.png][]

#### 向HDFS写入内容 ####

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。

![1633202-20190614115148710-625811918.png][]

## 副本存放策略 ##

一般情况下副本系数为3，HDFS的副本放置策略是：将第一个副本放在本地节点，将第二个副本放在本地机架上的另一个节点，而第三个副本放到不同机架上的节点。  
这种方式减少了机架间的写流量，从而提高了写的性能。机架故障的机率远小于节点故障。这种方式并不影响数据可靠性和可用性的限制，并且它确实减少了读操作的网络聚合带宽，因为文件块仅存在两个不同的机架，而不是三个。  
文件的副本不是均匀的分布在机架当中，1/3的副本在同一个节点上，1/3副本在同一个机架上，另外1/3个副本均匀地分布在其他机架上。

**流水线复制**  
假设HDFS副本系数为3，当本地暂时文件积累到一个数据块大小时，client会从NameNode获取一个列表用于存放副本。然后client开始向第一个DataNode数据传输，第一个DataNode一小部分一小部分地接收数据，将每一部分写入本地仓库，并同一时间传输该部分到列表中的第二个DataNode节点。第二个DataNode也是这样，一小部分一小部分地接收数据，写入本地仓库，并同一时候转发给下一个节点，数据以流水线的方式从前一个DataNode拷贝到下一个DataNode。最后，第三个DataNode接收数据并存储到本地。因此，DataNode能流水线地从前一个节点接收数据，并同一时间转发给下一个节点，数据以流水线的方式从前一个DataNode拷贝到下一个DataNode，并以相反的方向Ack前一个Node。

## 扩展：大数据存储生态圈简介 ##

Hive与Hbase的数据一般都存储在HDFS上。HDFS为他们提供了高可靠性的底层存储支持。  
**Hive**  
Hive不支持更改数据的操作，Hive基于数据仓库，提供静态数据的动态查询。其使用类SQL语言，底层经过编译转为MapReduce程序，在Hadoop上运行，数据存储在HDFS上。

**HBase**  
Hbase是Hadoop database，即Hadoop数据库。它是一个适合于非结构化数据存储的数据库，HBase基于列的而不是基于行的模式。  
HBase是Google Bigtable的开源实现，类似Google Bigtable利用GFS作为其文件存储系统，HBase利用HDFS作为其文件存储系统；Google运行MapReduce来处理Bigtable中的海量数据，HBase同样利用Hadoop MapReduce来处理HBase中的海量数据。

## 扩展：GFS简介（Google File System） ##

GFS、MapReduce、BigTable是Google大数据的三大理论。我们简单描述下GFS：

1.  文件被分为许多固定大小的chunk，并分配一个全局唯一的64位Chunk标志；
2.  Master-Slave结构，Master节点记录节点及Chunk元信息；
3.  为了保证可靠性，每个Chunk会被复制到多个Slave节点上；
4.  HDFS保证了CAP的CP，它的一致性如何实现的可以参考文末的引用文献。

参考文章：  
[https://blog.csdn.net/luoyhang003/article/details/72229121][https_blog.csdn.net_luoyhang003_article_details_72229121]（GFS介绍）  
[https://blog.csdn.net/qiaojialin/article/details/71574203][https_blog.csdn.net_qiaojialin_article_details_71574203]（GFS一致性总结）  
[https://blog.csdn.net/wypersist/article/details/79757242][https_blog.csdn.net_wypersist_article_details_79757242]（HDFS核心技术详解）  
[https://blog.csdn.net/w1573007/article/details/52966742][https_blog.csdn.net_w1573007_article_details_52966742]（Google三大理论）

转载于:https://www.cnblogs.com/IT-TOP/p/11022537.html

[1633202-20190614114943512-444498473.png]: /images/20211203/fc492d20538b4bda994ffb99c1b992f0.png
[1633202-20190614115034452-282180429.png]: /images/20211203/e7cf404589df4e4eac4755ba1b48edc4.png
[1633202-20190614115321655-436807080.png]: /images/20211203/d27b08106a6646c2b75076b21f2ab09b.png
[1633202-20190614115148710-625811918.png]: /images/20211203/6b2200fe7a294dbda44f09728d51296a.png
[https_blog.csdn.net_luoyhang003_article_details_72229121]: https://blog.csdn.net/luoyhang003/article/details/72229121
[https_blog.csdn.net_qiaojialin_article_details_71574203]: https://blog.csdn.net/qiaojialin/article/details/71574203
[https_blog.csdn.net_wypersist_article_details_79757242]: https://blog.csdn.net/wypersist/article/details/79757242
[https_blog.csdn.net_w1573007_article_details_52966742]: https://blog.csdn.net/w1573007/article/details/52966742