HDFS学习总结

1、基本概念

   DHFS是是Hadoop最重要的核心组件 ，基于JAVA实现的一个分布式文件系统 ，基于unix/linux ，支持顺序写入，而非随机定位读写。

   特点：

• HDFS适合存储大文件，单个文件大小通常在百MB以上 HDFS适合存储海量文件，总存储量可达PB,EB级 。
• 基于普通机器搭建，硬件错误是常态而不是异常，因此错误检测和快速、自 动的恢复是HDFS最核心的架构目标
• 流式数据访问 为数据批处理而设计，关注数据访问的高吞吐量
• 简单的一致性模型 一次写入，多次读取 一个文件经过创建、写入和关闭之后就不需要改变
• 将计算移动到数据附近

2、基本构成

   2.1、数据块

• 文件以块为单位进行切分存储，块通常设置的比较大（最小6M，默认 128M）
• 块越大，寻址越快，读取效率越高，但同时由于MapReduce任务也是以块为最小单位来处理，所以太大的块不利于于对数据的并行处理
•  一个文件至少占用一个块（逻辑概念）

    2.2、Namenode与Datanode

• namenode 负责维护整个文件系统的信息，包括：整个文件树，文件的块 分布信息，文件系统的元数据，数据复制策略等 
• datanode 存储文件内容，负责文件实际的读写操作，保持与namenode的 通信，同步文件块信息

3、数据读写过程

     HDFS写数据：

• 客户端发起写请求，nameNode检验写入目录是否存在，是否有写入权限，如果目录不存在且有写权限，则创建文件，告知客户端可以写入
• 客户端发送块信息（写入的文件根据块大小切分的块个数）到nameNode，nameNode返回写入dataNode的队列，返回的dataNode需要考虑的因素写入性能（尽可能的靠近客户端即队列的第一个节点离客户端较近）、数据可用性（至少有两个机架存放数据）和存储平衡（分布在不同的dataNode）
• 根据dataNode队列就近写入数据，当第一个写完即返回成功(也可以设置都写入成功后返回)，其余通过管道方式进行写入，每个节点写完后想nameNode汇报各个节点的写入状态，保证每个块的副本数一致。

    HDFS读文件：

 

客户端发起读请求，nameNode检查目录是否存在、是否有权限，nameNode返回文件的块信息，返回块信息（块对应的dataNode的队列，保证当dataNode挂的时候可以正常读取数据），客户端根据块信息读取文件。

3、nameNode介绍

   3.1、作用

• Namespace管理：负责管理文件系统中的树状目录结构以及文件与数据块 的映射关系
• 块信息管理：负责管理文件系统中文件的物理块与实际存储位置的映射关系BlocksMap
• 集群信息管理：机架信息，datanode信息
• 集中式缓存管理：从Hadoop2.3 开始，支持datanode将文件缓存到内存中， 这部分缓存通过namenNode集中管理

   3.2、存储结构

• 内存： Namespace数据，BlocksMap数据，其他信息
• 文件：已持久化的namespace数据：FsImage；未持久化的namespace操作：Edits

    3.3、启动过程

1. 开启安全模式：不能执行数据修改操作
2. 加载fsimage
3. 逐个执行所有Edits文件中的每一条操作将操作合并到fsimage加载到内存，完成后生 成一个空的edits文件
4. 接收datanode发送来的心跳消息和块信息
5. 根据以上信息确定文件系统状态
6. 退出安全模式

    3.4、Secondary NameNode介绍

    NameNode主要是用来保存HDFS的元数据信息，比如命名空间信息，块信息等等。当它运行的时候，这些信息是存在内存中的。但是这些信息也可以持久化到磁盘上。当nameNode启动后，系统不断的想edits文件中写入信息，edits文件会变的很大。在这种情况下就会出现下面这些问题：

1. edits文件会变的很大，如何去管理这个文件？
2. NameNode的重启会花费很长的时间，因为有很多改动要合并到fsimage文件上。
3. 如果NameNode宕掉了，那我们就丢失了很多改动，因为此时的fsimage文件时间戳比较旧。

　　因此为了克服这个问题，我们需要一个易于管理的机制来帮助我们减小edits文件的大小和得到一个最新的fsimage文件，这样也会减小在NameNode上的压力。而Secondary NameNode就是为了帮助解决上述问题提出的，它的职责是合并NameNode的edits到fsimage文件中。

   Secondary NameNode合并edits到fsimage的过程：

   

    Secondary NameNode所做的是在文件系统这设置一个Checkpoint来帮助NameNode更好的工作；它不是取代NameNode，也不是NameNode的备份。　　

　　Secondary NameNode的检查点进程启动，是由两个配置参数控制的（CDH中也可以进行配置）：

• fs.checkpoint.period，指定连续两次检查点的最大时间间隔， 默认值是1小时。
• fs.checkpoint.size定义了edits日志文件的最大值，一旦超过这个值会导致强制执行检查点（即使没到检查点的最大时间间隔）。

3.5、Namenode管理

    大数据量下的namenode问题

• 启动时间变长
• 性能开始下降
• NameNode JVM FGC风险较高

     解决方案

1. 根据数据增长情况，预估namenode内存需求，提前做好预案
2. 使用HDFS Federation，扩展NameNode分散单点负载
3. 引入外部系统支持NameNode内存数据
4. 合并小文件
5. 调整合适的BlockSize

4、HDFS的高可用方案

     通过zookeeper以QJM（quorum journal manager）实现高可用，可以手动进行配置也可以通过CDH启用高可用方案。

     edits文件存放于journalNode中，有两个nameNode，一个处于活跃状态（active），一个处于待命状态（standby），只有活跃的nameNode可以提供HDFS服务并向journalNode中写入edits，待命状态的nameNode负责同步journalNode中的数据，各个dataNode节点活跃态的nameNode报告状态（心跳信息、块信息）。2个nameNode和journalNode保持通信，待命的节点与活跃态的nameNode的数据保持一致，当活跃态的nameNode不可用时，zookeeper会把standby节点自动变为active状态,继续对外提供读写服务。

5、HDFS的文件格式和文件类型

     文件格式：HDFS支持任意格式的文件

     文件类型：行式存储和列式存储    

     5.1、行式和列式的比较

1. 行式按行进行存储一个block存储一或多行数据；列式按列进行存储一个block可能有一列或多列数据。
2. 行式压缩时由于数据类型不一致，压缩比较差；列式按列压缩由于每列的数据是一致的，压缩比较强。
3. 行式执行查询时，查询部分字段，需要遍历整张表，查询数据较大，效率低；列式则只需要找对应的列即可，数据量较小，效率高。

   5.2、小文件

   每个文件的元数据对象约占150byte，所以如果有1千万个小文件， 每个文件占用一个block，则NameNode大约需要2G空间。如果存储1亿 个文件，则NameNode需要20G空间；数据以块为单位进行处理。

影响：占用资源，降低处理效率

解决方案：

• 从源头减少小文件
• 使用archive打包
• 使用其他存储方式，如Hbase，ES等