HDFS的一个重要知识点-HDFS的数据流

Posted 2021-04-14 大数据技术与架构

前几天面试的时候，问到一个经典问题就是HDFS读写数据流的流程是怎么样的？

HDFS作为分布式存储的基石，读写流程是很重要的一个知识点和面试点。

HDFS写数据流程

1、剖析文件写入

图片来源于网络

• 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。

• NameNode返回是否可以上传。

• 客户端请求第一个 block上传到哪几个datanode服务器上。

• NameNode返回3个datanode节点，分别为dn1、dn2、dn3。

• 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。

• dn1、dn2、dn3逐级应答客户端。

• 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。

• 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）。

2、网络拓扑概念

在本地网络中，两个节点被称为“彼此近邻”是什么意思？在海量数据处理中，其主要限制因素是节点之间数据的传输速率——带宽很稀缺。这里的想法是将两个节点间的带宽作为距离的衡量标准。

节点距离：两个节点到达最近的共同祖先的距离总和。

图片来源于网络

例如，假设有数据中心d1机架r1中的节点n1。该节点可以表示为/d1/r1/n1。利用这种标记，这里给出四种距离描述。

大家算一算每两个节点之间的距离。

3、机架感知（副本节点选择）

1）官方解释：

http://hadoop.apache.org/docs/r2.7.2/hadoop-project-dist/hadoop-common/RackAwareness.html

http://hadoop.apache.org/docs/r2.7.2/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html#Data_Replication

2）低版本Hadoop副本节点选择

第一个副本在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不相同机架的随机节点上。

第三个副本和第二个副本位于相同机架，节点随机。

3）Hadoop2.7.x副本节点选择

第一个副本在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。

二、HDFS读数据流程

图片来源于网络

• 挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。

• 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）。

• 客户端以packet为单位接收，先在本地缓存，然后写入目标文件。

点赞和转发是最大的支持~