一.HDFS
1.HDFS定义
HDFS:分布式文件管理系统,管理多个机器上的问题件。
适合一次写入,多次读出的场景
2.HDFS优点:
- 处理大数据
- 高容错性,数据保存在多个副本上,副本丢失能自动恢复
3. HDFS缺点:
- 不适合低延时数据访问,比如毫秒级的存储数据,做不到
- 无法高效的对大量小文件进行存储
- 存储大量小文件,会占用NameNode大量内存来存储文件目录和块信息,NameNode的内存总是有限的
- 小文件存储的寻址时间会超过读取时间,违反了HDFS的设计目标
- 不支持并发写入,文件随机修改。
- .一个文件只能有一个写,不能多个线程同时写
- 仅支持数据的追加。
4.HDFS组成
5.HDFS 块大小
默认的块大小为128G。寻址时间为传输时间的1%为最佳状态,如果寻址块的时间未10ms。
10ms/0.01=1000ms=1s,硬盘的传输速度为100MB/s。所以块大小设置成128G。如果硬盘是200MB/s,块大小就256,依次递增
6 HDFS写流程
(1)客户端通过 Distributed FileSystem 模块向 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)客户端通过 FSDataOutputStream 模块请求 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)。
7.节点距离计算
在 HDFS 写数据的过程中,NameNode 会选择距离待上传数据最近距离的 DataNode 接
收数据
节点距离:两个节点到达最近的共同祖先的距离总和。
(1)Distance(/d1/r1/n0, /d1/r1/n0)=0(同一节点上的进程)。自己到自己
(2)Distance(/d1/r1/n1, /d1/r1/n2)=2(同一机架上的不同节点),机架r1为他们的最近的共同祖先,N-1到达机架r1的距离为1,N-2到达达机架r1的距离为1,所有1+1为2
(3)Distance(/d1/r2/n0, /d1/r3/n2)=4(同一数据中心不同机架上的节点),共同祖先为同一个数据中心,数线为4
(4)Distance(/d1/r2/n1, /d2/r4/n1)=6(不同数据中心的节点),共同祖先是数据中心还上一级,数线为6
这个就是机架,装服务器用的
8.副本节点的选择
当副本为3的时候,为了数据的安全,会选择不同的机架,为了时效性,第三个节点跟第二个节点在同一个机架上
9 HDFS读数据流程
(1)客户端通过 DistributedFileSystem 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输入流,以 Packet 为单位
来做校验)。
(4)客户端选取排序靠前的DataNode来读取block
(5)读完列表的block后,若文件读取没结束,客户端继续向NameNode获取下一批block列表
read 方法是并行的读取 block 信息,不是一块一块的读取
(6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。