HDFS数据读取流程

1.读取文件

客户端通过调用FileSystem对象的open()来读取希望打开的文件。

2. 发送请求，确定文件block所在的位置

Client向NameNode发起RPC请求，来确定请求文件block所在的位置；RPC指的是远程过程调用。是集群中多个组件、多个模块进行数据通信的一种方式。

3. 获取文件block所在的位置

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.读取block，如果客户端本身就是DataNode，直接读取

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(短路读取特性)；

5. 读取block

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.并行读取，若失败重新读取

7.发送请求，获取下一个文件block所在的位置

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

8.返回后续block列表

9. 最终关闭读流，并将读取来所有的 block 会合并成一个完整的最终文件