Hadoop之HDFS的数据流

最新推荐文章于 2025-08-20 15:27:05 发布

转载最新推荐文章于 2025-08-20 15:27:05 发布 · 90 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：https://my.oschina.net/aibinxiao/blog/2998903

文章标签：

#大数据 #python

本文深入解析HDFS的数据写入与读取流程，包括客户端与NameNode、DataNode之间的交互过程，网络拓扑下的机架感知策略，以及数据一致性模型。通过具体步骤和代码示例，帮助读者理解HDFS如何高效、可靠地处理大规模数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2019独角兽企业重金招聘Python工程师标准>>>

1. HDFS 写数据流程

1.1. 文件写入

(1) 客户端向 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；dn1 每传一个 packet 会放入一个应答队列等待应答；
(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）

1.2. 网络拓扑

在本地网络中，两个节点被称为“彼此近邻”是什么意思？在海量数据处理中，其主要限制因素是节点之间数据的传输速率——带宽很稀缺。这里的想法是将两个节点间的带宽作为距离的衡量标准。
节点距离：两个节点到达最近的共同祖先的距离总和。
例如，假设有数据中心 d1 机架 r1 中的节点 n1。该节点可以表示为 /d1/r1/n1。利用这种标记，这里给出四种距离描述。
Distance(/d1/r1/n1, /d1/r1/n1)=0（同一节点上的进程）
Distance(/d1/r1/n1, /d1/r1/n2)=2（同一机架上的不同节点）
Distance(/d1/r1/n1, /d1/r3/n2)=4（同一数据中心不同机架上的节点）
Distance(/d1/r1/n1, /d2/r4/n2)=6（不同数据中心的节点）

大家可以算算下面两个节点间的距离

1.3. 机架感知

(1) 官方 ip 地址：
http://hadoop.apache.org/docs/r2.7.3/hadoop-project-dist/hadoop-common/RackAwareness.html
http://hadoop.apache.org/docs/r2.7.3/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html#Data_Replication
(2) 低版本 Hadoop 副本节点选择
第一个副本在 client 所处的节点上。如果客户端在集群外，随机选一个。
第二个副本和第一个副本位于不相同机架的随机节点上。
第三个副本和第二个副本位于相同机架，节点随机。

(3) Hadoop2.7.2 副本节点选择
第一个副本在 client 所处的节点上。如果客户端在集群外，随机选一个。
第二个副本和第一个副本位于相同机架，随机节点。
第三个副本位于不同机架，随机节点。

2. HDFS 读数据流程

(1) 客户端向 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放入流，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。

3. 一致性模型

(1) debug 调试如下代码

@Test
public void writeFile() throws Exception{
    // 1 创建配置信息对象
    Configuration configuration = new Configuration();
    fs = FileSystem.get(configuration);
		
    // 2 创建文件输出流
    Path path = new Path("hdfs://hadoop01:8020/user/hello.txt");
    FSDataOutputStream fos = fs.create(path);
		
    // 3 写数据
    fos.write("hello".getBytes());
    // 4 一致性刷新
    fos.hflush();
		
    fos.close();
}

(2) 总结

写入数据时，如果希望数据被其他 client 立即可见，调用如下方法
FsDataOutputStream. hflush (); //清理客户端缓冲区数据，被其他 client 立即可见