HDFS的介绍

HDFS

HDFS

什么是HDFS文件系统？
HDFS是大数据开源框架hadoop的组件之一，
全称（Hadoop Distributed File System），
它是一个分布式文件系统，由多台服务器联合起来实现文件存储功能，
通过目录树来定位文件，集群中的服务器都有有各自的角色。

HDFS文件系统有什么特点？
1.数据通过副本存储，提高容错性
2.能够处理PB级及以上数据，可处理百万级文件数量
3.节约成本，可分布在“廉价”机器上
4.不适合低延时数据访问
5.不适合对大量文件的存储和访问
6.单线程操作文件不能多用户执行写操作，并且不支持文件随机修改
Hadoop中需要启动的进程和作用？
namenode：
负责接受客户端读写数据请求
负责数据块副本的存储策略
负责管理快数据的映射关系
储存元数据信息

datanode：
存储实际的数据块
真实处理数据块的读/写操作

Secondary NameNode：
辅助后台程序,与NameNode进行通信,定期合并FSimage和Edits编辑日志,
合并为最新的镜像文件。
保存HDFS元数据的快照。

resourcemanager:
统一资源调度和管理器
处理客户端请求
监控NodeManager
启动或监控ApplicationMaster
资源的分配与调度

nodemanager:提供计算资源
管理单个节点上的资源
处理来自ResourceManager的命令
处理来自ApplicationMaster的命令

HDFS默认数据块得大小是多少？为什么？
HDFS目前默认块大小在Hadoop2.x版本中是128M，老版本中是64M,
因为目前磁盘的传输率约为100M/s,而HDFS读取文件时最佳的寻址
时间为10ms，寻址时间为传输时间的百分之1时最佳，所以定义块
大小为128M，1秒左右可以快速读取完毕；本质上HDFS的块大小取决于
磁盘的传输速率

为什么HDFS中的块的大小不能太大，也不能设置太小
1.HDFS的块设置太小会增加寻址时间，程序一直在找块的开始位置
2.如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间，
导致程序处理这个数据时会非常慢

为什么HSDFS不支持存储小文件？
1）存储大量小文件会占用NameNode大量的内存和磁盘来存储文件目录和块信息。
是不可取的，因为NameNode的内存是有限的；
2）读取小文件时寻址时间会超过读取时间，不合理，违反了HDFS的设计目标.

Hadoop fs | hdfs dfs 命令分类
本地文件 -> HDFS
-put 将本地数据上传至hdfs
-copyFromLocal 将本地文件数据拷贝到hdfs
-moveFromLocal 将本地文件数据移动到hdfs，成功后本地数据会删除
-appendToFile 追加一个文件到已经存在的文件末尾

HDFS与HDFS之间
-ls 查看hdfs文件目录
-mkdir 在HDFS上创建目录
-rm 删除文件或者文件夹
-rmr | -rm -r 递归删除
-cp 从一个目录拷贝文件至另一目录
-mv 在HDFS目录中移动文件
-chown 修改文件所属用户权限
-chmod 修改文件所属读写权限
-du -h 文件夹暂用的空间大小
-df -h 查看系统分区情况
-cat 查看文件

HFDS -> 本地
-get 从hdfs下载文件至本地
-getmerge 合并hdfs目录下的文件至本地
-copyToLocal 从hdfs拷贝文件至本地

其他
-setrep 设置文件副本数（注意：具体的副本数得看DataNode的数量）
-help 帮助命令

说说hdfs的文件上传(写数据)的流程
1.首先客户端通过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.如果文件大于128M则分块存储，
客户端请求第一个 Block上传到哪几个DataNode服务器上。
4.NameNode根据副本储存策略返回3个DataNode节点，假如为dn1、dn2、dn3。
5.客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求调用dn2，
dn2调用dn3，建立通信管道完成,dn1、dn2、dn3逐级应答客户端。
6.客户端以Packet为单位往dn1上传第一个Block数据,
dn1收到Packet就会传给dn2，dn2传给dn3；
dn1,dn2,dn3每接收packet会放入一个待写队列等待写入数据，落盘。
7.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3-6步。

我们在上传文件的时候如何namenode选取的datanode存储副本？有什么优势?
HDFS的放置策略是将一个副本放置在本地机架中的一个节点上，
将另一个副本放置在本地机架中的另一个节点上，
最后一个副本放置在不同机架中的另一个节点上
（一个副本在Client所处的节点上。如果客户端在集群外，
随机选一个,第二个副本和第一个副本位于相同机架，
随机节点,第三个副本位于不同机架，随机节点）。
优点：该策略减少了机架间的写流量，通常可以提高写性能。
机架故障的机会远小于节点故障的机会。此策略不会影响数据的可靠性和可用性保证

说说文件的下载流程
1.客户端通过Distributed FileSystem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.客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。

描述一下Namenode和secondarynamenode的工作机制
1. NameNode启动和工作内容
1.1第一次启动NameNode格式化后，创建Fsimage和Edits文件。
如果不是第一次启动，会加载编辑日志和镜像文件到内存。
1.2客户端对元数据进行增删改的请求。
1.3NameNode记录操作日志，更新滚动日志。
1.4NameNode在内存中对元数据进行增删改。
2. Secondary NameNode工作内容
2.1 2NN询问NN是否需要CheckPoint（合并镜像和编辑日志），并带回NameNode是否执行结果。
2.2 2NN请求执行CheckPoint
2.3 NN滚动正在写的Edits编辑日志。
2.4 将滚动前的编辑日志和镜像文件拷贝到2NN。
2.5 2NN加载编辑日志和镜像文件到内存，并执行合并，生成新的镜像文件fsimage.chkpoint。
2.6 2NN拷贝fsimage.chkpoint到NN。
2.7 NN将fsimage.chkpoint重新命名成fsimage，替换之间旧的fsimage