Hadoop入门之hdfs

Z时代
2024-01-10
分类：综合

database

大数据技术开篇之Hadoop入门【hdfs】

　　　　学习都是从了解到熟悉的过程，而学习一项新的技术的时候都是从这个技术是什么？可以干什么？怎么用？如何优化？这几点开始。今天这篇文章分为两个部分。一、hadoop概述二、hadoop核心技术之一的hdfs的讲解。

【hadoop概述】

一、hadoop是什么？

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。

　　简单概况就是hadoop是一个分布式系统的基础架构，通过分布式来进行高速运算和存储。

二、用来干什么？

　　主要用来解决海量数据存储和海量数据运算的问题

三、当前版本

　　　Apach 版本：主要用于自己学习研究方面，免费开源版本

　　　Cloudera：收费版本，企业版本。目前公司商用化最多的版本。

　　 Hortonworks：商业版本，这个版本的优势在于参考文档相对详尽，学习起来比较方便

四、hadoop组成

　　　　commons:辅助工具
　　　　hdfs：一个分布式高吞吐量，高可靠的分布式文件系统
　　　　mapreduce 一个分布式离线计算框架
　　　　yarn：作业调度和资源管理的框架。

五、集群模式

单节点模式，伪集群，完整集群。三个模式

　　　　　　　　　　　　　　　　　　　　　　　　HDFS 学习

一、hdfs是什么？

　　　　hdfs一个分布式高吞吐量，高可靠的分布式文件系统。

二、hdfs优缺点：

　优点：
　　　　【1】高容错性，数据自动保存多个副本，一个副本丢失后可以自动恢复
　　　　【2】适合大数据的处理
　　　　数据可以达到gb,Tb,pb级别，文件处理可以达到百万以上的规模
　　　　【3】可以构建在廉价的机器上面，通过多副本来实现可靠性

　　缺点：
　　　　【1】不适合低延时数据访问，比如毫秒级别做不到
　　　　【2】无法高效对大量小文件进行存储
　　　　【3】不支持文件的随机修改，仅支持文件的追加

三、hdfs的组成：

　　Client:客户端
　　　【1】文件切分。文件上传时将文件切成一个个block块
　　　　【2】与NameNode交互，获取文件的位置信息
　　　　【3】与DataNode交互，读取或写入数据
　　　　【4】client提供一些命令来管理Hdfs，比如启动或者关闭
　　　　【5】client可以通过命令来访问Hdfs
　　NameNode就是Master，它是一个主管、管理者
　　　　【1】管理数据块的原信息
　　　　【2】配置副本策略
　　　　【3】处理客户端请求
　　DateNode
　　　　【1】存储实际的数据块
　　　　【2】执行数据块的读写操作
　　econdaryNameNode：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Edits，并推送给NameNode；
　　　　【3】在紧急情况下，可辅助恢复NameNode。

四、hdfs文件写入流程

　　　　（1）客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。

　　　　（2） NameNode返回是否可以上传。

　　　　（3）客户端请求第一个 block上传到哪几个datanode服务器上。

　　　　（4） NameNode返回3个datanode节点，分别为dn1、dn2、dn3。

　　　　（5）客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。

　　　　（6） dn1、dn2、dn3逐级应答客户端。

　　　　（7）客户端开始往dn1上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，dn1收到一个packet就会传给dn2，dn2传给dn3；

　　　　（8）当一个block传输完成之后，客户端再次请求NameNode上传第二个block的服务器。（重复执行3-7步）。

五、hdfs 读文件流程

　　　　（1）客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。

　　　　（2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。

　　　　（3） DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以packet为单位来做校验）。

　　　　（4）客户端以packet为单位接收，先在本地缓存，然后写入目标文件。

六、NN与2NN的工作机制

　　　　（1）第一阶段：NameNode启动

　　　　　　a) 第一次启动NameNode格式化后，创建fsimage和edits文件。如果不是第一次启动，直接加载编辑日志和镜像文件到内存。

　　　　　　b) 客户端对元数据进行增删改的请求。

　　　　　　c) NameNode记录操作日志，更新滚动日志。

　　　　　　d) NameNode在内存中对数据进行增删改查。

　　　　（2）第二阶段：Secondary NameNode工作

　　　　　　a) Secondary NameNode询问NameNode是否需要checkpoint。直接带回NameNode是否检查结果。

　　　　　　b) Secondary NameNode请求执行checkpoint。

　　　　　　c) NameNode滚动正在写的edits日志。

　　　　　　d) 将滚动前的编辑日志和镜像文件拷贝到Secondary NameNode。

　　　　　　e) Secondary NameNode加载编辑日志和镜像文件到内存，并合并。

　　　　　　f) 生成新的镜像文件fsimage.chkpoint。

　　　　　　g) 拷贝fsimage.chkpoint到NameNode。

　　　　　　h) NameNode将fsimage.chkpoint重新命名成fsimage。

NN和2NN工作机制详解：

fsimage：namenode内存中元数据序列化后形成的文件。

edits：记录客户端更新元数据信息的每一步操作（可通过Edits运算出元数据）。

namenode启动时，先滚动edits并生成一个空的edits.inprogress，然后加载edits（归档后的）和fsimage（最新的）到内存中，此时namenode内存就持有最新的元数据信息。client开始对namenode发送元数据的增删改查的请求，这些请求的操作首先会被记录在edits.inprogress中（查询元数据的操作不会被记录在edits中，因为查询操作不会更改元数据信息），如果此时namenode挂掉，重启后会从edits中读取元数据的信息。然后，namenode会在内存中执行元数据的增删改查的操作。

由于edits中记录的操作会越来越多，edits文件会越来越大，导致namenode在启动加载edits时会很慢，所以需要对edits和fsimage进行合并（所谓合并，就是将edits和fsimage加载到内存中，照着edits中的操作一步步执行，最终形成新的fsimage）。Secondarynamenode:帮助namenode进行edits和fsimage的合并工作。

secondarynamenode首先会询问namenode是否需要checkpoint（触发checkpoint需要满足两个条件中的任意一个，定时时间到和edits中数据写满了）。直接带回namenode是否检查结果。secondarynamenode执行checkpoint操作，首先会让namenode滚动edits并生成一个空的edits.inprogress，滚动edits的目的是给edits打个标记，以后所有新的操作都写入edits.inprogress，其他未合并的edits和fsimage会拷贝到secondarynamenode的本地，然后将拷贝的edits和fsimage加载到内存中进行合并，生成fsimage.chkpoint，然后将fsimage.chkpoint拷贝给namenode，重命名为fsimage后替换掉原来的fsimage。namenode在启动时就只需要加载之前未合并的edits和fsimage即可，因为合并过的edits中的元数据信息已经被记录在fsimage中。