大数据HDFS技术干货分享

Posted 2021-04-14 机器学习算法与Python学习

关键字全网搜索最新排名

【机器学习算法】：排名第一

【机器学习】：排名第二

【Python】：排名第三

【算法】：排名第四

1

HDFS前言

设计思想

分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；

在大数据系统中作用：

为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务

重点概念：

文件切块，副本存放，元数据

重要特性如下：

⑴ HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M

 

⑵ HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data

 

⑶ 目录结构及文件分块信息(元数据)的管理由namenode节点承担——namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及所在的datanode服务器）

 

⑷ 文件的各个block的存储管理由datanode节点承担---- datanode是HDFS集群从节点，每一个block都可以在多个datanode上存储多个副本（副本数量也可以通过参数设置dfs.replication）

 

⑸ HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改

2

HDFS的shell(命令行客户端)操作

HDFS集群分为两大角色：NameNode、DataNode

NameNode负责管理整个文件系统的元数据

DataNode 负责管理用户的文件数据块

文件会按照固定的大小（blocksize）切成若干块后分布式存储在若干台datanode上

每一个文件块可以有多个副本，并存放在不同的datanode上

Datanode会定期向Namenode汇报自身所保存的文件block信息，而namenode则会负责保持文件的副本数量

HDFS的内部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行

HDFS提供shell命令行客户端，使用方法如下:

3

HDFS写读数据流程

写数据

1

根namenode通信请求上传文件，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

client请求第一个 block该传输到哪些datanode服务器上

4

namenode返回3个datanode服务器ABC

5

client请求3台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完成，逐级返回客户端

6

client开始往A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，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答

7

当一个block传输完成之后，client再次请求namenode上传第二个block的服务器

读数据

1

跟namenode通信查询元数据，找到文件块所在的datanode服务器

2

挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流

3

datanode开始发送数据（从磁盘里面读取数据放入流，以packet为单位来做校验）

4

客户端以packet为单位接收，现在本地缓存，然后写入目标文件

HDFS以流式数据访问模式来存储超大文件，运行于商用硬件集群上。

HDFS上的文件也被划分为块大小的多个分块(chunk)，作为独立的存储单元。但与其他文件系统不同的是，HDFS中小于一个块大小的文件不会占据整个块的空间。

点击“阅读原文”也可以加入学习交流群哦~