Hadoop学习 HDFS 使用

最新推荐文章于 2024-11-05 08:58:55 发布

原创最新推荐文章于 2024-11-05 08:58:55 发布 · 569 阅读

0 ·

CC 4.0 BY-SA版权

Hadoop学习专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍了Hadoop的HDFS（Hadoop Distributed File System）特性，包括master/slave架构、分块存储、名字空间、Namenode的元数据管理、Datanode的数据存储以及副本机制。同时，深入解析了HDFS的写数据和读数据流程，展示了一次写入、多次读出的特点，以及在Java中操作HDFS的主要类。

HDFS 重要特性
首先，它是一个文件系统，用于存储文件，通过统一的命名空间目录树来定
位文件；
其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器
有各自的角色。
2.1．． master/slave 架构
HDFS 采用 master/slave 架构。一般一个 HDFS 集群是有一个 Namenode 和一
定数目的 Datanode 组成。Namenode 是 HDFS 集群主节点，Datanode 是 HDFS 集群
从节点，两种角色各司其职，共同协调完成分布式的文件存储服务。
2.2．．分块存储
HDFS 中的文件在物理上是分块存储（block）的，块的大小可以通过配置参
数来规定，默认大小在 hadoop2.x 版本中是 128M。
2.3．．名字空间（NameSpace ）
HDFS 支持传统的层次型文件组织结构。用户或者应用程序可以创建目录，
然后将文件保存在这些目录里。文件系统名字空间的层次结构和大多数现有的文
件系统类似：用户可以创建、删除、移动或重命名文件。
Namenode 负责维护文件系统的名字空间，任何对文件系统名字空间或属性
的修改都将被 Namenode 记录下来。
HDFS 会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，
形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data。
2.4．． Namenode 元数据管理
我们把目录结构及文件分块位置信息叫做元数据。Namenode 负责维护整个
hdfs 文件系统的目录树结构，以及每一个文件所对应的 block 块信息（block 的
id，及所在的 datanode 服务器）。
北京市昌平区建材城西路金燕龙办公楼一层电话：400-618-9090
2.5．． Datanode 数据存储
文件的各个 block 的具体存储管理由 datanode 节点承担。每一个 block 都
可以在多个 datanode 上。Datanode 需要定时向 Namenode 汇报自己持有的 block
信息。
存储多个副本（副本数量也可以通过参数设置 dfs.replication，默认是 3）。
2.6．．副本机制
为了容错，文件的所有 block 都会有副本。每个文件的 block 大小和副本系
数都是可配置的。应用程序可以指定某个文件的副本数目。副本系数可以在文件
创建的时候指定，也可以在之后改变。
2.7．．一次写入，多次读出
HDFS 是设计成适应一次写入，多次读出的场景，且不支持文件的修改。
正因为如此，HDFS 适合用来做大数据分析的底层存储服务，并不适合用来
做.网盘等应用，因为，修改不方便，延迟大，网络开销大，成本太高。

HDFS 写数据流程
详细步骤解析：
1、 client 发起文件上传请求，通过 RPC 与 NameNode 建立通讯，NameNode
检查目标文件是否已存在，父目录是否存在，返回是否可以上传；
2、 client 请求第一个 block 该传输到哪些 DataNode 服务器上；
3、 NameNode 根据配置文件中指定的备份数量及机架感知原理进行文件分
配，返回可用的 DataNode 的地址如：A，B，C；
注：Hadoop 在设计时考虑到数据的安全与高效，数据文件默认在 HDFS 上存放
三份，存储策略为本地一份，同机架内其它某一节点上一份，不同机架的某一
节点上一份。
4、 client 请求 3 台 DataNode 中的一台 A 上传数据（本质上是一个 RPC 调
用，建立 pipeline），A 收到请求会继续调用 B，然后 B 调用 C，将整个
pipeline 建立完成，后逐级返回 client；
5、 client 开始往 A 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（默认 64K），A 收到一个 packet 就会传给 B，
B 传给 C；A 每传一个 packet 会放入一个应答队列等待应答。
6、数据被分割成一个个 packet 数据包在 pipeline 上依次传输，在
pipeline 反方向上，逐个发送 ack（命令正确应答），最终由 pipeline
中第一个 DataNode 节点 A 将 pipeline ack 发送给 client;
7、当一个 block 传输完成之后，client 再次请求 NameNode 上传第二个
block 到服务器

HDFS 读数据流程
详细步骤解析：
1、 Client 向 NameNode 发起 RPC 请求，来确定请求文件 block 所在的位置；
2、 NameNode会视情况返回文件的部分或者全部block列表，对于每个block，
NameNode 都会返回含有该 block 副本的 DataNode 地址；
3、这些返回的 DN 地址，会按照集群拓扑结构得出 DataNode 与客户端的距
离，然后进行排序，排序两个规则：网络拓扑结构中距离 Client 近的排
靠前；心跳机制中超时汇报的 DN 状态为 STALE，这样的排靠后；
4、 Client 选取排序靠前的 DataNode 来读取 block，如果客户端本身就是
DataNode,那么将从本地直接获取数据；
5、底层上本质是建立 Socket Stream（FSDataInputStream），重复的调用
父类 DataInputStream 的 read 方法，直到这个块上的数据读取完毕；
6、当读完列表的 block 后，若文件读取还没有结束，客户端会继续向
NameNode 获取下一批的 block 列表；
7、读取完一个 block 都会进行 checksum 验证，如果读取 DataNode 时出现
错误，客户端会通知 NameNode，然后再从下一个拥有该 block 副本的
DataNode 继续读。
8、 read 方法是并行的读取 block 信息，不是一块一块的读取；NameNode 只
是返回Client请求包含块的DataNode地址，并不是返回请求块的数据；
9、最终读取来所有的 block 会合并成一个完整的最终文件。

Configuration conf = new Configuration();
//这里指定使用的是 hdfs 文件系统
conf.set("fs.defaultFS", "hdfs://node-21:9000");
//通过如下的方式进行客户端身份的设置
System.setProperty("HADOOP_USER_NAME", "root");
//通过 FileSystem 的静态方法获取文件系统客户端对象
FileSystem fs = FileSystem.get(conf);
//也可以通过如下的方式去指定文件系统的类型 并且同时设置用户身份
//FileSystem fs = FileSystem.get(new URI("hdfs://node-21:9000"), conf, "root");
//创建一个目录
fs.create(new Path("/hdfsbyjava-ha"), false);
//上传一个文件
fs.copyFromLocalFile(new Path("e:/hello.sh"), new Path("/hdfsbyjava-ha"));
//关闭我们的文件系统
fs.close();