HDFS读写数据流程

HDFS写数据流程
1.HDFS客户端创建FileSystem对象实例DistributeFileSystem,FileSystem封装了与文件系统操作的相关方法
2.调用DistributedFileSystem对象的create()方法，通过RPC请求NameNode创建文件。NameNode执行各种检查判断：目标文件是否存在、父目录是否存在、客户端是否具有创建该文件的权限。检查通过，NameNode就会为本次请求记下一条记录，返回FSDataOutputStream输出流对象给客户端用于写数据
3.客户端通过FSDataOutputStream开始写入数据。FSDataOutputStream是DFSOutputStream包装类。
4.客户端写入数据时，DFSOutputStream将数据分成一个个数据包(packet默认64K),并写入一个内部数据队列(data queue)。DFSOutputStream有一个内部类叫做DataStreamer，用于请求NameNode挑选出适合存储数据副本的一组DataNode，默认是3副本存储。DataStreamer将数据包流式传输到pipeline的第一个DataNode,该DataNode存储数据包并将它发送到pipeline的第二个DataNode。同样，第二个DataNode存储数据包并发送给第三个(也是最后一个)DataNode。
5.DFSOutputStream也维护着一个内部数据包队列来等待DataNode的收到确认回执，称之为确认队列(ack queue),收到pipeline中所有的DataNode确认信息后，该数据包才会从去人队列删除。
6.客户端完成数据写入后，在FSDataOutputStream输出流上调用close()方法关闭。
7.DistributedFileSystem联系NameNode告知其文件写入完成，等待NameNode确认。因为NameNode已经知道文件是由哪些块组成(DataStream请求分配数据块)，因此仅需要等待最小复制块即可成功返回。最小复制是由参数dfs.namenode.replication.min指定，默认是1。

HDFS读数据流程
1.HDFS客户端创建FileSystem对象实例DistributeFileSystem,FileSystem封装了与文件系统操作的相关方法。调用DistributedFileSystem对象的open()方法来打开希望读取的文件。
2.DistributedFileSystem使用RPC调用namenode来确定文件中前几个块的位置(分批次读取)信息。对于每个快，namenode返回具有该块所有副本的datanode位置地址列表，并且该地址列表是排序好的，与客户端网络拓扑距离近的排序靠前。
3.DistributedFileSystem将FSDataInpputStream输入流返回到客户端以供其读取数据。FSDataInputStream类是DFSInputDtream类的包装。
4.客户端在FSDataInputStream输入流上调用read()方法。然后，已存储DataNode地址的DFSInputStream连接到文件中第一个块最近的DataNode。数据从DataNode流回客户端，结果客户端可以在流上重复调用read()。
5.当该块结束时，DFSUInputStream将关闭与DataNode的连接，然后寻找下一个块的最佳datanode。这些操作对用户来说是透明的。所以用户感觉起来它一直在读取一个连续的流。客户端从流中读取数据时，也会根据需要询问NameNode来检索下一批数据块的DataNode位置信息。
6.一旦客户端完成读取，就你对FSDataInputStream调用close()方法。