收好！Hadoop-HDFS读写原理的超详细教程

最近在答疑工作中，有很多小伙伴都在问HDFS的读写原理是什么，小编其实在刚开始学习大数据的时候，也对此有所困惑。

可见，同一个知识，同一个困惑啊~

为了让更多的小伙伴能够彻底解决这一困惑，小编下面就为大家介绍一下HDFS文件的读写原理。

敲黑板了啊，仔细听讲！

假设有一个文本文件1.txt，大小为300M，划分为3个数据块，即block_01、block_02、block_03。（这是我为大家举的例子）

1.HDFS写数据原理

在我们把文件上传到HDFS系统中，HDFS究竟是如何存储到集群中去的，又是如何创建备份的？

这就是流程图：

看完了是不是一脸懵，其实呢HDFS中的写数据流程主要分为12个步骤。

(1)客户端发起文件上传请求，通过RPC（远程过程调用）与NameNode建立通讯。

(2)NameNode检查元数据文件的系统目录树。

(3)若系统目录树的父目录不存在该文件相关信息，返回客户端可以上传文件。

(4)客户端请求上传第一个Block数据块，以及数据块副本的数量（可以自定义副本数量，也可以使用集群规划的副本数量）。

(5)NameNode检测元数据文件中DataNode信息池，找到可用的数据节点（DataNode_01，DataNode_02，DataNode_03）。

(6)将可用的数据节点的IP地址返回给客户端。

(7)客户端请求3台节点中的一台服务器DataNode_01，进行传送数据（本质上是一个RPC调用，建立管道Pipeline），DataNode_01收到请求会继续调用服务器DataNode_02，然后服务器DataNode_02调用服务器DataNode_03。

(8)DataNode之间建立Pipeline后，逐个返回建立完毕信息。

(9)客户端与DataNode建立数据传输流，开始发送数据包（数据是以数据包形式进行发送）。

(10)客户端向DataNode_01上传第一个Block数据块，是以Packet为单位（默认64K），发送数据块。当DataNode_01收到一个Packet就会传给DataNode_02，DataNode_02传给DataNode_03；DataNode_01每传送一个Packet都会放入一个应答队列等待应答。

(11)数据被分割成一个个Packet数据包在Pipeline上依次传输，而在Pipeline反方向上，将逐个发送Ack（命令正确应答），最终由Pipeline中第一个DataNode节点DataNode_01将Pipeline的 Ack信息发送给客户端。

(12)DataNode返回给客户端，第一个Block块传输完成。客户端则会再次请求NameNode上传第二个Block块和第三块到服务器上，重复上面的步骤，直到3个Block都上传完毕。

2.HDFS读数据原理

HDFS中的读数据流程可以分为4个步骤，具体如下：

(1)客户端向NameNode发起RPC请求，来获取请求文件Block数据块所在的位置。

(2)NameNode检测元数据文件，会视情况返回Block块信息或者全部Block块信息，对于每个Block块，NameNode都会返回含有该Block副本的DataNode地址。

(3)客户端会选取排序靠前的DataNode来依次读取Block块（如果客户端本身就是DataNode，那么将从本地直接获取数据），每一个Block都会进行CheckSum（完整性验证），若文件不完整，则客户端会继续向NameNode获取下一批的Block列表，直到验证读取出来文件是完整的，则Block读取完毕。

(4)客户端会把最终读取出来所有的Block块合并成一个完整的最终文件（例如：1.txt）。

至此，小编为大家讲解了HDFS文件的读写原理，相信大家对HDFS文件的读写原理能够有更深入地理解了。