Nutch分布式文件系统

 转自：http://hi.baidu.com/hanjunjie1986/blog/item/4585f813e5050a21dd5401ec.html

Nutch分布式文件系统

6.1 概述

Nutch抓取下内容之后就要开始对文件进行管理。Nutch分布式文件系统基础架构是Hadoop文件系统(正式的讲就是NDFS)。NDFS与Google的文件系系统GFS是类似的，在一系列机器上存储庞大的面向流的文件，包含多机的存储冗余和负载均衡。

在这个文件系统中，文件以块为单位存储在NDFS的离散机器上，提供一个传统的input/output流接口用于文件读写。块的查找以及数据在网络上传输等细节由NDFS自动完成，对用户是透明的。而且NDFS能很好地处理用于存储的机器序列，能方便地添加和删除一台机器。当某台机器不可用时，NDFS自动的保证文件的可用性。只要网上的机器序列能提供足够的存储空间，就要保证NDFS文件系统的正常运作。NDFS是建立在普通磁盘上的，不需要RAID控制器或者其它的磁盘阵列解决方案。

6.2 文件系统语法

1.      文件只能写一次，写完之后，就变成只读了（但是可以被删除）

2.      文件是面向流的，只能在文件末尾加字节流，而且只能读写指针只能递增。

3.      文件没有存储访问的控制

所以，所有对NDFS的访问都是通过验证的客户代码。没有提供API供其它程序访问。因此Nutch就是NDFS的模拟用户。

6.3 文件系统设计

NDFS包含两种类型的机器：NameNodes和DataNodes。NameNodes维护名字空间；而DataNodes存储数据块。NDFS中包含一个NamdNode，而包含任意多的DataNodes，每个DataNodes都配置与唯一的NameNode通信。

1.      NameNode: 负责存储整个名字空间和文件系统的布局。是一个关键点，不能down掉。但是做的工作不多，因此不是一个负载的瓶颈。

维护一张保存在磁盘上的表：

filename-0->BlockID_A,BlockID_B...BlockID_X,etc.;

filename就是一字符串，BolockID是唯一的标识符。每个filename有任意个blocks。

2.      DataNode:负责存储数据。一个块应该在多个DataNode中有备份；而一个DataNode对于一个块最多只包含一个备份。

维护一张表：BlockID_X->array of bytes.

3.      合作：DataNode在启动后，就主动与NameNode通信，将本地的Block信息告知NameNode。NameNode据此可以构造一颗树，描述如何找到NDFS中的Blocks。这颗树是实时更新的。DataNode会定期发送信息给NameNode，以证明自己的存在，当NameNode收不到该信息时，就会认为DataNode已经down了。

4. 文件的读写过程：例如Client要读取foo.txt，则有以下过程。

1.      Client通过网络联系NameNode，提交filename:"foo.txt"

2.      Client收到从NameNode来的回复，包含：组成"foo.txt"的文件块和每个块存在的DataNode序列。

3.      Client依次读取每个文件块。对于一个文件块，Client从它的DataNode序列中得到合适的DataNode，然后发送请求给DataNode，由DataNode将数据传输给Client

6.4.系统的可用性

NDFS的可用性取决于Blocks的冗余度，即应该在多少个DataNode保持同一Block的备份。对于有条件的话可以设置3个备份和2个最低备份(DESIRED_REPLICATION and MIN_REPLICATION constants in fs.FSNamesystem)。当一个块的低于MIN_REPLICATION, NameNode 就会指导DataNode做新的备份。

6.5 MapReduce

Hadoop是Google MapReduce的一个Java实现。MapReduce 是Nutch中的分布计算层。它主要分为map 和Reduce 两步。输入和输出数据是包含一系列键-值对的文件。

在map 阶段，输入数据被分割成由各个节点处理的连续的块。用户使用的map 功能将每个原始数据处理成中间数据集。通过该分割功能，每个中间数据被发送到Reduce 节点。分割是一个典型的hash过程，所有等键值的中间数据都将被发送到一个Reduce 节点。例如，如果一个map 操作输出以URL 为键值的数据，那么通过哈希值的分割就会发送中间数据以及给定的URL到一个Reduce节点。

Reduce 节点将所有的输入数据进行排序，并使用一个提供给用户的Reduce函数输出已经排序的map，产生MapReduce过程的最终输出。所有带有给定键值的输入都将交由Reduce处理，即以URL 为健值的所有数据和URL 一起被传递给Reduce函数，并可能用于产生最终输出。

MapReduce系统非常十分健壮，即使在机器出现故障和应用程序错误时仍能正常运行。因此我们可以利用它运行上十，上百，甚至上千台机器上进行并行操作。

6.6 Nutch文件系统工作架构

通过上面的分析，我们可以得出Nutch文件系统在整个工作架构中的位置如下：