Hadoop核心--HDFS

什么是HDFS？

  HDFS（Hadoop Distributed File System），分布式文件存储系统。源自于Google的GFS论文，是GFS的克隆版。与其他分布式文件系统相比，它具有很高的容错能力，适合部署在廉价的机器上；另外它能提供高吞吐量的数据访问，适合海量数据的存储。

HDFS特点

  易于扩展

  运行在普通廉价的机器上，提供容错机制

  为大量用户提供高性能的海量数据存储服务

HDFS架构体系

HDFS架构主要包括一个NameNode、多个DataNode、Block等。   

一、数据块 Block

   HDFS上的文件被切分成块进行存储，每个块的默认大小为64M，它是文件存储处理的逻辑单元。每个块有多个副本存储在不同的机器上，这是Hadoop的容错机制。

 二、节点

  1、NameNode

    HDFS也是一种主从架构，而NameNode就属于主节点，主要负责管理文件系统的命名空间以及客户端对文件的访问。

  2、DataNode

    属于从节点，主要负责处理文件内容的读写请求。数据块在DataNode上是以文件形式存储在磁盘上，包括数据本身和元数据两部分。 

  3、SecondaryNameNode

    辅助NameNode工作，它可以节省NameNode读取FsImage的时间（后面会介绍）

三、数据管理

  NameNode中存储的是元数据，记录了数据所在DataNode的Block。当向HDFS写入数据时，首先是NameNode记录元数据，并告知要写入的DataNode节点地址，然后真正进行数据写入的是DataNode节点。而写入DataNode节点的block，也会复制备份到邻近DataNode节点上，这也是数据安全性的一个重要保障。

四、数据容错

  读取数据时，即DataNode读取Block，首先会计算checksum，如果此时的checksum与初始建立的值不一致时，则认为该Block已损坏。此时会重新从最近的备份DataNode上读取Block，同时NameNode也会标记该Block已损坏，并从其他DataNode节点将数据进行修复，然后还需要继续验证其checksum。

五、启动流程

  1、NameNode格式化，然后在持久化fsimage（镜像）和edits（日志）

  2、启动NameNode，并且加载fsimage和edits文件

  3、启动DataNode，并向NameNode进行注册，发送Block report

  4、创建目录，此时会伴随fsimage和edits文件的更新

  5、存放文件，也会伴随fsimage和edits文件的更新

  以上就是HDFS启动的基本流程，在这个过程中，还有一个概念是安全模式。这是HDFS在启动过程中的一个文件保护模式，具体流程是，当NameNode启动时，需要加载fsimage和edits文件信息，其实就是更新NameNode元数据的过程。此时HDFS就进入了安全模式，在该模式下，只能从HDFS读取文件，但是无法写入，目的就是防止对NameNode载入产生影响。当NameNode加载fsimage和edits文件完成后，30s后会自动退出安全模式。

  在介绍HDFS节点时，还提到了一个SecondaryNameNode节点，它的作用是辅助NameNode，具体的流程是：在NameNode启动时，需要加载fsimage和edits文件，那么如何缩短读取时间呢？SecondaryNameNode就起作用了，它会定期（默认1h）对fsimage和edits文件进行合并，这样当再次启动NameNode时，读取的是合并后的fsimage和edits文件，效率就提高了，读取时间相对缩短。具体流程如下：