深入理解Hadoop HDFS【一篇就够】

雨点打透心脏的1/2处 2024-04-17 05:42 74阅读 0赞

文本详细介绍了HDFS中的许多概念，对于理解Hadoop分布式文件系统很有帮助。

# 1. 介绍 #

在现代的企业环境中，单机容量往往无法存储大量数据，需要跨机器存储。统一管理分布在集群上的文件系统称为分布式文件系统。而一旦在系统中，引入网络，就不可避免地引入了所有网络编程的复杂性，例如挑战之一是如果保证在节点不可用的时候数据不丢失。

传统的网络文件系统（NFS）虽然也称为分布式文件系统，但是其存在一些限制。由于NFS中，文件是存储在单机上，因此无法提供可靠性保证，当很多客户端同时访问NFS Server时，很容易造成服务器压力，造成性能瓶颈。另外如果要对NFS中的文件进行操作，需要首先同步到本地，这些修改在同步到服务端之前，其他客户端是不可见的。某种程度上，NFS不是一种典型的分布式系统，虽然它的文件的确放在远端（单一）的服务器上面。

![这里写图片描述][20160715085646356]

![这里写图片描述][20160715085700575]

从NFS的协议栈可以看到，它事实上是一种VFS（操作系统对文件的一种抽象）实现。

HDFS，是Hadoop Distributed File System的简称，是Hadoop抽象文件系统的一种实现。Hadoop抽象文件系统可以与本地系统、Amazon S3等集成，甚至可以通过Web协议（webhsfs）来操作。HDFS的文件分布在集群机器上，同时提供副本进行容错及可靠性保证。例如客户端写入读取文件的直接操作都是分布在集群各个机器上的，没有单点性能压力。

如果你从零开始搭建一个完整的集群，参考\[Hadoop集群搭建详细步骤（2.6.0）\]（[http://blog.csdn.net/bingduanlbd/article/details/51892750][http_blog.csdn.net_bingduanlbd_article_details_51892750]）

# 2. HDFS设计原则 #

HDFS设计之初就非常明确其应用场景，适用与什么类型的应用，不适用什么应用，有一个相对明确的指导原则。

## 2.1 设计目标 ##

*  存储非常大的文件：这里非常大指的是几百M、G、或者TB级别。实际应用中已有很多集群存储的数据达到PB级别。根据Hadoop官网，Yahoo！的Hadoop集群约有10万颗CPU，运行在4万个机器节点上。更多世界上的Hadoop集群使用情况，参考[Hadoop官网][Hadoop].
 *  采用流式的数据访问方式: HDFS基于这样的一个假设：最有效的数据处理模式是一次写入、多次读取数据集经常从数据源生成或者拷贝一次，然后在其上做很多分析工作  
    分析工作经常读取其中的大部分数据，即使不是全部。 因此读取整个数据集所需时间比读取第一条记录的延时更重要。
 *  运行于商业硬件上: Hadoop不需要特别贵的、reliable的（可靠的）机器，可运行于普通商用机器（可以从多家供应商采购） ，商用机器不代表低端机器。在集群中（尤其是大的集群），节点失败率是比较高的HDFS的目标是确保集群在节点失败的时候不会让用户感觉到明显的中断。

## 2.2 HDFS不适合的应用类型 ##

有些场景不适合使用HDFS来存储数据。下面列举几个：

1） 低延时的数据访问  
对延时要求在毫秒级别的应用，不适合采用HDFS。HDFS是为高吞吐数据传输设计的,因此可能牺牲延时HBase更适合低延时的数据访问。

2）大量小文件  
文件的元数据（如目录结构，文件block的节点列表，block-node mapping）保存在NameNode的内存中， 整个文件系统的文件数量会受限于NameNode的内存大小。  
经验而言，一个文件/目录/文件块一般占有150字节的元数据内存空间。如果有100万个文件，每个文件占用1个文件块，则需要大约300M的内存。因此十亿级别的文件数量在现有商用机器上难以支持。

3）多方读写，需要任意的文件修改  
HDFS采用追加（append-only）的方式写入数据。不支持文件任意offset的修改。不支持多个写入器（writer）。

# 3. HDFS核心概念 #

## 3.1 Blocks ##

物理磁盘中有块的概念，磁盘的物理Block是磁盘操作最小的单元，读写操作均以Block为最小单元，一般为512 Byte。文件系统在物理Block之上抽象了另一层概念，文件系统Block物理磁盘Block的整数倍。通常为几KB。Hadoop提供的df、fsck这类运维工具都是在文件系统的Block级别上进行操作。

HDFS的Block块比一般单机文件系统大得多，默认为128M。HDFS的文件被拆分成block-sized的chunk，chunk作为独立单元存储。比Block小的文件不会占用整个Block，只会占据实际大小。例如， 如果一个文件大小为1M，则在HDFS中只会占用1M的空间，而不是128M。

HDFS的Block为什么这么大？  
是为了最小化查找（seek）时间，控制定位文件与传输文件所用的时间比例。假设定位到Block所需的时间为10ms，磁盘传输速度为100M/s。如果要将定位到Block所用时间占传输时间的比例控制1%，则Block大小需要约100M。  
但是如果Block设置过大，在MapReduce任务中，Map或者Reduce任务的个数 如果小于集群机器数量，会使得作业运行效率很低。

Block抽象的好处  
block的拆分使得单个文件大小可以大于整个磁盘的容量，构成文件的Block可以分布在整个集群， 理论上，单个文件可以占据集群中所有机器的磁盘。  
Block的抽象也简化了存储系统，对于Block，无需关注其权限，所有者等内容（这些内容都在文件级别上进行控制）。  
Block作为容错和高可用机制中的副本单元，即以Block为单位进行复制。

## 3.2 Namenode & Datanode ##

整个HDFS集群由Namenode和Datanode构成master-worker（主从）模式。Namenode负责构建命名空间，管理文件的元数据等，而Datanode负责实际存储数据，负责读写工作。

### Namenode ###

Namenode存放文件系统树及所有文件、目录的元数据。元数据持久化为2种形式：

*  namespcae image
 *  edit log

但是持久化数据中不包括Block所在的节点列表，及文件的Block分布在集群中的哪些节点上，这些信息是在系统重启的时候重新构建（通过Datanode汇报的Block信息）。  
在HDFS中，Namenode可能成为集群的单点故障，Namenode不可用时，整个文件系统是不可用的。HDFS针对单点故障提供了2种解决机制：  
1）备份持久化元数据  
将文件系统的元数据同时写到多个文件系统， 例如同时将元数据写到本地文件系统及NFS。这些备份操作都是同步的、原子的。

2）Secondary Namenode  
Secondary节点定期合并主Namenode的namespace image和edit log， 避免edit log过大，通过创建检查点checkpoint来合并。它会维护一个合并后的namespace image副本， 可用于在Namenode完全崩溃时恢复数据。下图为Secondary Namenode的管理界面：

![这里写图片描述][20160715204229964]

Secondary Namenode通常运行在另一台机器，因为合并操作需要耗费大量的CPU和内存。其数据落后于Namenode，因此当Namenode完全崩溃时，会出现数据丢失。 通常做法是拷贝NFS中的备份元数据到Second，将其作为新的主Namenode。  
在HA（High Availability高可用性）中可以运行一个Hot Standby，作为热备份，在Active Namenode故障之后，替代原有Namenode成为Active Namenode。

### Datanode ###

数据节点负责存储和提取Block，读写请求可能来自namenode，也可能直接来自客户端。数据节点周期性向Namenode汇报自己节点上所存储的Block相关信息。

## 3.3 Block Caching ##

DataNode通常直接从磁盘读取数据，但是频繁使用的Block可以在内存中缓存。默认情况下，一个Block只有一个数据节点会缓存。但是可以针对每个文件可以个性化配置。  
作业调度器可以利用缓存提升性能，例如MapReduce可以把任务运行在有Block缓存的节点上。  
用户或者应用可以向NameNode发送缓存指令（缓存哪个文件，缓存多久）， 缓存池的概念用于管理一组缓存的权限和资源。

## 3.4 HDFS Federation ##

我们知道NameNode的内存会制约文件数量，HDFS Federation提供了一种横向扩展NameNode的方式。在Federation模式中，每个NameNode管理命名空间的一部分，例如一个NameNode管理/user目录下的文件， 另一个NameNode管理/share目录下的文件。  
每个NameNode管理一个namespace volumn，所有volumn构成文件系统的元数据。每个NameNode同时维护一个Block Pool，保存Block的节点映射等信息。各NameNode之间是独立的，一个节点的失败不会导致其他节点管理的文件不可用。  
客户端使用mount table将文件路径映射到NameNode。mount table是在Namenode群组之上封装了一层，这一层也是一个Hadoop文件系统的实现，通过viewfs:协议访问。

## 3.5 HDFS HA(High Availability高可用性) ##

在HDFS集群中，NameNode依然是单点故障（SPOF: Single Point Of Failure）。元数据同时写到多个文件系统以及Second NameNode定期checkpoint有利于保护数据丢失，但是并不能提高可用性。  
这是因为NameNode是唯一一个对文件元数据和file-block映射负责的地方， 当它挂了之后，包括MapReduce在内的作业都无法进行读写。

当NameNode故障时，常规的做法是使用元数据备份重新启动一个NameNode。元数据备份可能来源于：

*  多文件系统写入中的备份
 *  Second NameNode的检查点文件

启动新的Namenode之后，需要重新配置客户端和DataNode的NameNode信息。另外重启耗时一般比较久，稍具规模的集群重启经常需要几十分钟甚至数小时，造成重启耗时的原因大致有：  
1） 元数据镜像文件载入到内存耗时较长。  
2） 需要重放edit log  
3） 需要收到来自DataNode的状态报告并且满足条件后才能离开安全模式提供写服务。

### Hadoop的HA方案 ###

采用HA的HDFS集群配置两个NameNode，分别处于Active和Standby状态。当Active NameNode故障之后，Standby接过责任继续提供服务，用户没有明显的中断感觉。一般耗时在几十秒到数分钟。  
HA涉及到的主要实现逻辑有

1） 主备需共享edit log存储。  
主NameNode和待命的NameNode共享一份edit log，当主备切换时，Standby通过回放edit log同步数据。  
共享存储通常有2种选择

*  NFS：传统的网络文件系统
 *  QJM：quorum journal manager

QJM是专门为HDFS的HA实现而设计的，用来提供高可用的edit log。QJM运行一组journal node，edit log必须写到大部分的journal nodes。通常使用3个节点，因此允许一个节点失败，类似ZooKeeper。注意QJM没有使用ZK，虽然HDFS HA的确使用了ZK来选举主Namenode。一般推荐使用QJM。

2）DataNode需要同时往主备发送Block Report  
因为Block映射数据存储在内存中（不是在磁盘上），为了在Active NameNode挂掉之后，新的NameNode能够快速启动，不需要等待来自Datanode的Block Report，DataNode需要同时向主备两个NameNode发送Block Report。

3）客户端需要配置failover模式（失效备援模式，对用户透明）

Namenode的切换对客户端来说是无感知的，通过客户端库来实现。客户端在配置文件中使用的HDFS URI是逻辑路径，映射到一对Namenode地址。客户端会不断尝试每一个Namenode地址直到成功。

4）Standby替代Secondary NameNode  
如果没有启用HA，HDFS独立运行一个守护进程作为Secondary Namenode。定期checkpoint，合并镜像文件和edit日志。

如果当主Namenode失败时，备份Namenode正在关机（停止 Standby），运维人员依然可以从头启动备份Namenode，这样比没有HA的时候更省事，算是一种改进，因为重启整个过程已经标准化到Hadoop内部，无需运维进行复杂的切换操作。

NameNode的切换通过代failover controller来实现。failover controller有多种实现，默认实现使用ZooKeeper来保证只有一个Namenode处于active状态。

每个Namenode运行一个轻量级的failover controller进程，该进程使用简单的心跳机制来监控Namenode的存活状态并在Namenode失败时触发failover。Failover可以由运维手动触发，例如在日常维护中需要切换主Namenode，这种情况graceful(优雅的) failover，非手动触发的failover称为ungraceful failover。

在ungraceful failover的情况下，没有办法确定失败（被判定为失败）的节点是否停止运行，也就是说触发failover后，之前的主Namenode可能还在运行。QJM一次只允许一个Namenode写edit log，但是之前的主Namenode仍然可以接受读请求。Hadoop使用fencing来杀掉之前的Namenode。Fencing通过收回之前Namenode对共享的edit log的访问权限、关闭其网络端口使得原有的Namenode不能再继续接受服务请求。使用STONITH技术也可以将之前的主Namenode关机。

最后，HA方案中Namenode的切换对客户端来说是不可见的，前面已经介绍过，主要通过客户端库来完成。

# 4. 命令行接口 #

HDFS提供了各种交互方式，例如通过Java API、HTTP、shell命令行的。命令行的交互主要通过hadoop fs来操作。例如：

> `hadoop fs -copyFromLocal // 从本地复制文件到HDFS`
> 
> `hadoop fs mkdir // 创建目录`
> 
> `hadoop fs -ls // 列出文件列表`

Hadoop中，文件和目录的权限类似于POSIX模型，包括读、写、执行3种权限：

*  读权限（r）：用于读取文件或者列出目录中的内容
 *  写权限（w）：对于文件，就是文件的写权限。目录的写权限指在该目录下创建或者删除文件（目录）的权限。
 *  执行权限（x）：文件没有所谓的执行权限，被忽略。对于目录，执行权限用于访问器目录下的内容。

每个文件或目录都有owner，group，mode三个属性，owner指文件的所有者，group为权限组。mode  
由所有者权限、文件所属的组中组员的权限、非所有者非组员的权限组成。下图表示其所有者root拥有读写权限，supergroup组的组员有读权限，其他人有读权限。

![这里写图片描述][20160715202602764]

文件权限是否开启通过dfs.permissions.enabled属性来控制，这个属性默认为false，没有打开安全限制，因此不会对客户端做授权校验，如果开启安全限制，会对操作文件的用户做权限校验。特殊用户superuser是Namenode进程的标识，不会针对该用户做权限校验。

最后看一下ls命令的执行结果：

![这里写图片描述][20160715202654359]

这个返回结果类似于Unix系统下的ls命令，第一栏为文件的mode，d表示目录，紧接着3种权限9位。 第二栏是指文件的副本数，这个数量通过`dfs.replication`配置，目录则使用-表示没有副本一说。其他诸如所有者、组、更新时间、文件大小跟Unix系统中的ls命令一致。

如果需要查看集群状态或者浏览文件目录，可以访问Namenode暴露的Http Server查看集群信息，一般在namenode所在机器的50070端口。

![这里写图片描述][20160715223051523]

![这里写图片描述][20160715223105739]

![这里写图片描述][20160715223118601]

# 5. Hadoop文件系统 #

前面Hadoop的文件系统概念是抽象的，HDFS只是其中的一种实现。Hadoop提供的实现如下图：

![这里写图片描述][20160715204510171]  
![这里写图片描述][20160715204527148]

简单介绍一下，Local是对本地文件系统的抽象，hdfs就是我们最常见的，两种web形式（webhdfs，swebhdfs）的实现通过HTTP提供文件操作接口。har是Hadoop体系下的压缩文件，当文件很多的时候可以压缩成一个大文件，可以有效减少元数据的数量。viewfs就是我们前面介绍HDFS Federation张提到的，用来在客户端屏蔽多个Namenode的底层细节。ftp顾名思义，就是使用ftp协议来实现，对文件的操作转化为ftp协议。s3a是对Amazon云服务提供的存储系统的实现，azure则是微软的云服务平台实现。

前面我们提到了使用命令行跟HDFS交互，事实上还有很多方式来操作文件系统。例如Java应用程序可以使用org.apache.hadoop.fs.FileSystem来操作，其他形式的操作也都是基于FileSystem进行封装。我们这里主要介绍一下HTTP的交互方式。  
WebHDFS和SWebHDFS协议将文件系统暴露HTTP操作，这种交互方式比原生的Java客户端慢，不适合操作大文件。通过HTTP，有2种访问方式，直接访问和通过代理访问

直接访问  
直接访问的示意图如下：

![这里写图片描述][20160715205452074]

Namenode和Datanode默认打开了嵌入式web server，即dfs.webhdfs.enabled默认为true。webhdfs通过这些服务器来交互。元数据的操作通过namenode完成，文件的读写首先发到namenode，然后重定向到datanode读取（写入）实际的数据流。

通过HDFS代理

![这里写图片描述][20160715205504590]

采用代理的示意图如上所示。 使用代理的好处是可以通过代理实现负载均衡或者对带宽进行限制，或者防火墙设置。代理通过HTTP或者HTTPS暴露为WebHDFS，对应为webhdfs和swebhdfs URL Schema。

代理作为独立的守护进程，独立于namenode和datanode，使用httpfs.sh脚本，默认运行在14000端口

除了FileSystem直接操作，命令行，HTTTP外，还有C语言API，NFS，FUSER等方式，这里不做过多介绍。

# 6. Java接口 #

实际的应用中，对HDFS的大多数操作还是通过FileSystem来操作，这部分重点介绍一下相关的接口，主要关注HDFS的实现类DistributedFileSystem及相关类。

## 6.1 读操作 ##

可以使用URL来读取数据，或者直接使用FileSystem操作。

### 从Hadoop URL读取数据 ###

java.net.URL类提供了资源定位的统一抽象，任何人都可以自己定义一种URL Schema，并提供相应的处理类来进行实际的操作。hdfs schema便是这样的一种实现。

> `InputStream in = null;`
> 
> `try {`
> 
> `in = new URL("hdfs://master/user/hadoop").openStream();`
> 
> `}finally{`
> 
> `IOUtils.closeStream(in);`
> 
> `}`

为了使用自定义的Schema，需要设置URLStreamHandlerFactory，这个操作一个JVM只能进行一次，多次操作会导致不可用，通常在静态块中完成。下面的截图是一个使用示例：

![这里写图片描述][20160715210623079]

![这里写图片描述][20160715210635185]

### 使用FileSystem API读取数据 ###

1） 首先获取FileSystem实例，一般使用静态get工厂方法

> `public static FileSystem get(Configuration conf) throws IOException`
> 
> `public static FileSystem get(URI uri , Configuration conf) throws IOException`
> 
> `public static FileSystem get(URI uri , Configuration conf，String user) throws IOException`

如果是本地文件，通过getLocal获取本地文件系统对象：

public static LocalFileSystem getLocal(COnfiguration conf) thrown IOException

2）调用FileSystem的open方法获取一个输入流:

> `public FSDataInputStream open(Path f) throws IOException`
> 
> `public abstarct FSDataInputStream open(Path f , int bufferSize) throws IOException`

默认情况下，open使用4KB的Buffer，可以根据需要自行设置。

3）使用FSDataInputStream进行数据操作  
FSDataInputStream是java.io.DataInputStream的特殊实现，在其基础上增加了随机读取、部分读取的能力

> `public class FSDataInputStream extends DataInputStream`
> 
> `implements Seekable, PositionedReadable,`
> 
> `ByteBufferReadable, HasFileDescriptor, CanSetDropBehind, CanSetReadahead,`
> 
> `HasEnhancedByteBufferAccess`

随机读取操作通过Seekable接口定义：

> `public interface Seekable {`
> 
> `void seek(long pos) throws IOException;`
> 
> `long getPos() throws IOException;`
> 
> `}`

seek操作开销昂贵，慎用。

部分读取通过PositionedReadable接口定义：

> `public interface PositionedReadable{`
> 
> `public int read(long pistion ,byte[] buffer,int offser , int length) throws IOException;`
> 
> `public int readFully(long pistion ,byte[] buffer,int offser , int length) throws IOException;`
> 
> `public int readFully(long pistion ,byte[] buffer) throws IOException;`
> 
> `}`

## 6.2 写数据 ##

在HDFS中，文件使用FileSystem类的create方法及其重载形式来创建，create方法返回一个输出流FSDataOutputStream，可以调用返回输出流的getPos方法查看当前文件的位移，但是不能进行seek操作，HDFS仅支持追加操作。

创建时，可以传递一个回调接口Peofressable，获取进度信息

append(Path f)方法用于追加内容到已有文件，但是并不是所有的实现都提供该方法，例如Amazon的文件实现就没有提供追加功能。

下面是一个例子：

> `String localSrc = args[0];`
> 
> `String dst = args[1];`
> 
> `InputStream in = new BufferedInputStream(new FileInputStream(localSrc));`
> 
> `Configuration conf = new Configuration();`
> 
> `FileSystem fs = FileSystem.get(URI.create(dst),conf);`
> 
> `OutputStream out = fs.create(new Path(dst), new Progressable(){`
> 
> `public vid progress(){`
> 
> `System.out.print(.);`
> 
> `}`
> 
> `});`
> 
> `IOUtils.copyBytes(in , out, 4096,true);`

## 6.3 目录操作 ##

使用mkdirs（）方法,会自动创建没有的上级目录

HDFS中元数据封装在FileStatus类中，包括长度、block size，replicaions，修改时间、所有者、权限等信息。使用FileSystem提供的getFileStatus方法获取FileStatus。exists()方法判断文件或者目录是否存在；

列出文件（list），则使用listStatus方法，可以查看文件或者目录的信息

> `public abstract FileStatus[] listStatus(Path f) throws FileNotFoundException,`
> 
> `IOException;`

Path是个文件的时候，返回长度为1的数组。FileUtil提供的stat2Paths方法用于将FileStatus转化为Path对象。

globStatus则使用通配符对文件路径进行匹配：

public FileStatus[] globStatus(Path pathPattern) throws IOException

PathFilter用于自定义文件名过滤，不能根据文件属性进行过滤，类似于java.io.FileFilter。例如下面这个例子排除到给定正则表达式的文件：

> `public interfacePathFilter{`
> 
> `boolean accept(Path path);`
> 
> `}`

## 6.4 删除数据 ##

使用FileSystem的delete()方法

public boolean delete(Path f , boolean recursive) throws IOException;

recursive参数在f是个文件的时候被忽略。如果f是文件并且recursice为true，则删除整个目录，否则抛出异常.

# 7. 数据流(读写流程） #

接下来详细介绍HDFS读写数据的流程，以及一致性模型相关的一些概念。

## 7.1 读文件 ##

大致读文件的流程如下：

![这里写图片描述][20160715215428741]

1）客户端传递一个文件Path给FileSystem的open方法

2）DFS采用RPC远程获取文件最开始的几个block的datanode地址。Namenode会根据网络拓扑结构决定返回哪些节点（前提是节点有block副本），如果客户端本身是Datanode并且节点上刚好有block副本，直接从本地读取。

3）客户端使用open方法返回的FSDataInputStream对象读取数据（调用read方法）

4）DFSInputStream（FSDataInputStream实现了改类）连接持有第一个block的、最近的节点，反复调用read方法读取数据

5）第一个block读取完毕之后，寻找下一个block的最佳datanode，读取数据。如果有必要，DFSInputStream会联系Namenode获取下一批Block 的节点信息(存放于内存，不持久化），这些寻址过程对客户端都是不可见的。

6）数据读取完毕，客户端调用close方法关闭流对象

在读数据过程中，如果与Datanode的通信发生错误，DFSInputStream对象会尝试从下一个最佳节点读取数据，并且记住该失败节点， 后续Block的读取不会再连接该节点  
读取一个Block之后，DFSInputStram会进行检验和验证，如果Block损坏，尝试从其他节点读取数据，并且将损坏的block汇报给Namenode。  
客户端连接哪个datanode获取数据，是由namenode来指导的，这样可以支持大量并发的客户端请求，namenode尽可能将流量均匀分布到整个集群。  
Block的位置信息是存储在namenode的内存中，因此相应位置请求非常高效，不会成为瓶颈。

## 7.2 写文件 ##

![这里写图片描述][20160715215729850]

步骤分解  
1）客户端调用DistributedFileSystem的create方法

2）DistributedFileSystem远程RPC调用Namenode在文件系统的命名空间中创建一个新文件，此时该文件没有关联到任何block。 这个过程中，Namenode会做很多校验工作，例如是否已经存在同名文件，是否有权限，如果验证通过，返回一个FSDataOutputStream对象。 如果验证不通过，抛出异常到客户端。

3）客户端写入数据的时候，DFSOutputStream分解为packets（数据包），并写入到一个数据队列中，该队列由DataStreamer消费。

4）DateStreamer负责请求Namenode分配新的block存放的数据节点。这些节点存放同一个Block的副本，构成一个管道。 DataStreamer将packet写入到管道的第一个节点，第一个节点存放好packet之后，转发给下一个节点，下一个节点存放 之后继续往下传递。

5）DFSOutputStream同时维护一个ack queue队列，等待来自datanode确认消息。当管道上的所有datanode都确认之后，packet从ack队列中移除。

6）数据写入完毕，客户端close输出流。将所有的packet刷新到管道中，然后安心等待来自datanode的确认消息。全部得到确认之后告知Namenode文件是完整的。 Namenode此时已经知道文件的所有Block信息（因为DataStreamer是请求Namenode分配block的），只需等待达到最小副本数要求，然后返回成功信息给客户端。

Namenode如何决定副本存在哪个Datanode？

HDFS的副本的存放策略是可靠性、写带宽、读带宽之间的权衡。默认策略如下：

*  第一个副本放在客户端相同的机器上，如果机器在集群之外，随机选择一个（但是会尽可能选择容量不是太慢或者当前操作太繁忙的）
 *  第二个副本随机放在不同于第一个副本的机架上。
 *  第三个副本放在跟第二个副本同一机架上，但是不同的节点上，满足条件的节点中随机选择。
 *  更多的副本在整个集群上随机选择，虽然会尽量避免太多副本在同一机架上。  
    副本的位置确定之后，在建立写入管道的时候，会考虑网络拓扑结构。下面是可能的一个存放策略：

![这里写图片描述][20160715220056463]

这样选择很好滴平衡了可靠性、读写性能

*  可靠性：Block分布在两个机架上
 *  写带宽：写入管道的过程只需要跨越一个交换机
 *  读带宽：可以从两个机架中任选一个读取

## 7.3 一致性模型 ##

一致性模型描述文件系统中读写操纵的可见性。HDFS中，文件一旦创建之后，在文件系统的命名空间中可见：

> `Path p = new Path("p");`
> 
> `fs.create(p);`
> 
> `assertTaht(fs.exists(p),is(true));`

但是任何被写入到文件的内容不保证可见，即使对象流已经被刷新。  
“\`java  
Path p = new Path(“p”);  
OutputStream out = fs.create(p);  
out.write(“content”.getBytes(“UTF-8”));  
out.flush();  
assertTaht(fs.getFileStatus(p).getLen,0L); // 为0，即使调用了flush

> `如果需要强制刷新数据到Datanode，使用FSDataOutputStream的hflush方法强制将缓冲刷到datanode`
> 
> `hflush之后，HDFS保证到这个时间点为止写入到文件的数据都到达所有的数据节点。`
> 
> ```` ```java````
> 
> `Path p = new Path("p");`
> 
> `OutputStream out = fs.create(p);`
> 
> `out.write("content".getBytes("UTF-8"));`
> 
> `out.flush();`
> 
> `assertTaht(fs.getFileStatus(p).getLen,is(((long,"content".length())));`

关闭对象流时，内部会调用hflush方法,但是hflush不保证datanode数据已经写入到磁盘，只是保证写入到datanode的内存， 因此在机器断电的时候可能导致数据丢失，如果要保证写入磁盘，使用hsync方法，hsync类型与fsync（）的系统调用，fsync提交某个文件句柄的缓冲数据。

> `FileOutputStreamout = new FileOutPutStream(localFile);`
> 
> `out.write("content".getBytes("UTF-8"));`
> 
> `out.flush();`
> 
> `out.getFD().sync();`
> 
> `assertTaht(localFile.getLen,is(((long,"content".length())));`

使用hflush或hsync会导致吞吐量下降，因此设计应用时，需要在吞吐量以及数据的健壮性之间做权衡。

另外，文件写入过程中，当前正在写入的Block对其他Reader不可见。

## 7.4 Hadoop节点距离 ##

在读取和写入的过程中，namenode在分配Datanode的时候，会考虑节点之间的距离。HDFS中，距离没有  
采用带宽来衡量，因为实际中很难准确度量两台机器之间的带宽。  
Hadoop把机器之间的拓扑结构组织成树结构，并且用到达公共父节点所需跳转数之和作为距离。事实上这是一个距离矩阵的例子。下面的例子简明地说明了距离的计算：

![这里写图片描述][20160715221045921]

同一数据中心，同一机架，同一节点距离为0

同一数据中心，同一机架，不同节点距离为2

同一数据中心，不同机架，不同节点距离为4

不同数据中心，不同机架，不同节点距离为6

![这里写图片描述][20160715221056421]

Hadoop集群的拓扑结构需要手动配置，如果没配置，Hadoop默认所有节点位于同一个数据中心的同一机架上。

# 8 相关运维工具 #

## 8.1 使用distcp并行复制 ##

前面的关注点都在于单线程的访问，如果需要并行处理文件，需要自己编写应用。Hadoop提供的distcp工具用于并行导入数据到Hadoop或者从Hadoop导出。一些例子：

> `hadoop distcp file1 file2 //可以作为fs -cp命令的高效替代`
> 
> `hadoop distcp dir1 dir2`
> 
> `hadoop distcp -update dir1 dir2 #update参数表示只同步被更新的文件，其他保持不变`

distcp是底层使用MapReduce实现，只有map实现，没有reduce。在map中并行复制文件。 distcp尽可能在map之间平均分配文件。map的数量可以通过-m参数指定:

hadoop distcp -update -delete -p hdfs://master1:9000/foo hdfs://master2/foo

这样的操作常用于在两个集群之间复制数据，update参数表示只同步被更新过的数据，delete会删除目标目录中存在，但是源目录不存在的文件。p参数表示保留文件的全校、block大小、副本数量等属性。

如果两个集群的Hadoop版本不兼容，可以使用webhdfs协议：

hadoop distcp webhdfs://namenode1:50070/foo webhdfs://namenode2:50070/foo

## 8.2 平衡HDFS集群 ##

在distcp工具中，如果我们指定map数量为1，不仅速度很慢，每个Block第一个副本将全部落到运行这个唯一map的节点上，直到磁盘溢出。因此使用distcp的时候，最好使用默认的map数量，即20.  
HDFS在Block均匀分布在各个节点上的时候工作得最好，如果没有办法在作业中尽量保持集群平衡，例如为了限制map数量（以便其他节点可以被别的作业使用），那么可以使用balancer工具来调整集群的Block分布。

# 参考 #

主要参考《Hadoop》权威指南第3章，自己进一步整理。感谢原作者提供这么好的书籍。

[20160715085646356]: https://img-blog.csdn.net/20160715085646356
[20160715085700575]: https://img-blog.csdn.net/20160715085700575
[http_blog.csdn.net_bingduanlbd_article_details_51892750]: http://blog.csdn.net/bingduanlbd/article/details/51892750
[Hadoop]: https://wiki.apache.org/hadoop/PoweredBy
[20160715204229964]: https://img-blog.csdn.net/20160715204229964
[20160715202602764]: https://img-blog.csdn.net/20160715202602764
[20160715202654359]: https://img-blog.csdn.net/20160715202654359
[20160715223051523]: https://img-blog.csdn.net/20160715223051523
[20160715223105739]: https://img-blog.csdn.net/20160715223105739
[20160715223118601]: https://img-blog.csdn.net/20160715223118601
[20160715204510171]: https://img-blog.csdn.net/20160715204510171
[20160715204527148]: https://img-blog.csdn.net/20160715204527148
[20160715205452074]: https://img-blog.csdn.net/20160715205452074
[20160715205504590]: https://img-blog.csdn.net/20160715205504590
[20160715210623079]: https://img-blog.csdn.net/20160715210623079
[20160715210635185]: https://img-blog.csdn.net/20160715210635185
[20160715215428741]: https://img-blog.csdn.net/20160715215428741
[20160715215729850]: https://img-blog.csdn.net/20160715215729850
[20160715220056463]: https://img-blog.csdn.net/20160715220056463
[20160715221045921]: https://img-blog.csdn.net/20160715221045921
[20160715221056421]: https://img-blog.csdn.net/20160715221056421