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。 那么在这个学习任务中，小讲就跟大家一起来学习hadoop的核心子项目——HDFS(分布式文件系统)，我们将从HDFS的背景、基本概念开始，步步深入了解HDFS的设计目标、HDFS的基本结构以及HDFS的相关操作等核心知识。

(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。