分布式文件系统HDFS-蒲公英云

1.1简介

HDFS实现目标

兼容廉价的硬件设备
实现流数据读写
支持大数据集
支持简单的文件模型
强大的跨平台兼容性
HDFS自身的局限性

不适合低延迟数据访问
无法高效存储大量小文件
不支持多用户写入及任意修改文件

2.1概念

块的概念

支持面向大规模数据存储
降低分布式节点的寻址开销
HDFS采用这种抽象的块的概念设计好处

1.支持大规模文件存储: 文件以块为单位进行存储，一个大规模文件可以被分拆成若干个文件块，不同的文件块可以被分发到不同的节点上，因此，一个文件的大小不会受到单个节点的存储容量的限制，可以远远大于网络中任意节点的存储容量

2.简化系统设计: 首先，大大简化了存储管理，因为文件块大小是固定的，这样就可以很容易计算出一个节点可以存储多少文件块；其次，方便了元数据的管理，元数据不需要和文件块一起存储，可以由其他系统负责管理元数据

适合数据备份: 每个文件块都可以冗余存储到多个节点上，大大提高了系统的容错性和可用性
两大组件
NameNode | DataNode

存储元数据 | 存储文件内容
元数据保存在内存中 | 文件内容保存在磁盘
保存文件，block，datanode之间的映射关系 | 维护了block id 到datanode本地文件的映射关系

NameNode
提供元数据服务
1.文件是什么
2.文件被分成多少块
3.每个块和文件是怎么映射的
4.每个块被存储到在哪个服务器上面
名称节点
包含FsImage 和 EditLog

这里写图片描述

名称节点运行期间EditLog不断变大的问题

SecondaryNameNode的工作情况：
（1）SecondaryNameNode会定期和NameNode通信，请求其停止使用EditLog文件，暂时将新的写操作写到一个新的文件edit.new上来，这个操作是瞬间完成，上层写日志的函数完全感觉不到差别；
（2）SecondaryNameNode通过HTTPGET方式从NameNode上获取到FsImage和EditLog文件，并下载到本地的相应目录下；
（3）SecondaryNameNode将下载下来的FsImage载入到内存，然后一条一条地执行EditLog文件中的各项更新操作，使得内存中的FsImage保持最新；这个过程就是EditLog和FsImage文件合并；
（4）SecondaryNameNode执行完（3）操作之后，会通过post方式将新的FsImage文件发送到NameNode节点上
（5）NameNode将从SecondaryNameNode接收到的新的FsImage替换旧的FsImage文件，同时将edit.new替换EditLog文件，通过这个过程EditLog就变小了
这里写图片描述

这里写图片描述

3.1HDFS体系结构

HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群包括一个名称节点（NameNode）和若干个数据节点（DataNode）称节点作为中心服务器，负责管理文件系统的命名空间及客户端对文件的访问。集群中的数据节点一般是一个节点运行一个数据节点进程，负责处理文件系统客户端的读/写请求，在名称节点的统一调度下进行数据块的创建、删除和复制等操作。每个数据节点的数据实际上是保存在本地Linux文件系统中的

• HDFS的命名空间包含目录、文件和块
• 在HDFS1.0体系结构中，在整个HDFS集群中只有一个命名空间，并且只有唯一一个名称节点，该节点负责对这个命名空间进行管理
• HDFS使用的是传统的分级文件体系，因此，用户可以像使用普通文件系统一样，创建、删除目录和文件，在目录间转移文件，重命名文件等

• HDFS是一个部署在集群上的分布式文件系统，因此，很多数据需要通过网络进行传输
• 所有的HDFS通信协议都是构建在TCP/IP协议基础之上的
• 客户端通过一个可配置的端口向名称节点主动发起TCP连接，并使用客户端协议与名称节点进行交互
• 名称节点和数据节点之间则使用数据节点协议进行交互
• 客户端与数据节点的交互是通过RPC（Remote rocedure Call）来实现的。在设计上，名称节点不会主动发起RPC，而是响应来自客户端和数据节点的RPC请求

• 客户端是用户操作HDFS最常用的方式，HDFS在部署时都提供了客户端
• HDFS客户端是一个库，暴露了HDFS文件系统接口，这些接口隐藏了HDFS实现中的大部分复杂性
• 严格来说，客户端并不算是HDFS的一部分
• 客户端可以支持打开、读取、写入等常见的操作，并且提供了类似Shell的命令行方式来访问HDFS中的数据
• 此外，HDFS也提供了Java API，作为应用程序访问文件系统的客户端编程接口

HDFS只设置唯一一个名称节点，这样做虽然大大简化了系统设计，但也带来了一些明显的局限性，具体如下：
（1）命名空间的限制：名称节点是保存在内存中的，因此，名称节点能够容纳的对象（文件、块）的个数会受到内存空间大小的限制。
（2）性能的瓶颈：整个分布式文件系统的吞吐量，受限于单个名称节点的吞吐量。
（3）隔离问题：由于集群中只有一个名称节点，只有一个命名空间，因此，无法对不同应用程序进行隔离。
（4）集群的可用性：一旦这个唯一的名称节点发生故障，会导致整个集群变得不可用。

4.1HDFS存储原理

1.冗余数据保存
2.数据存取策略
3.数据错误与恢复

4.2冗余数据保存

（1）加快数据传输速度
（2）容易检查数据错误
（3）保证数据可靠性

数据存放

Block的副本放置策略
•第一个副本：放置在上传文件的数据节点；如果是集群外提交，则随机挑选一台磁盘
不太满、CPU不太忙的节点
•第二个副本：放置在与第一个副本不同的机架的节点上
•第三个副本：与第一个副本相同机架的其他节点上
•更多副本：随机节点

数据读取

•HDFS提供了一个API可以确定一个数据节点所属的机架ID，客户端也可以调用API
获取自己所属的机架ID
•当客户端读取数据时，从名称节点获得数据块不同副本的存放位置列表，列表中包含了副本所在的数据节点，可以调用API来确定客户端和这些数据节点所属的机架ID，当发现某个数据块副本对应的机架ID和客户端对应的机架ID相同时，就优先选择该副本读取数据，如果没有发现，就随机选择一个副本读取数据

数据节点出错

•每个数据节点会定期向名称节点发送“心跳”信息，向名称节点报告自己的状态
•当数据节点发生故障，或者网络发生断网时，名称节点就无法收到来自一些数据节点的心跳信息，这时，这些数据节点就会被标记为“宕机”，节点上面的所有数据都会被标记为“不可读”，名称节点不会再给它们发送任何I/O请求
•这时，有可能出现一种情形，即由于一些数据节点的不可用，会导致一些数据块的副本数量小于冗余因子
•名称节点会定期检查这种情况，一旦发现某个数据块的副本数量小于冗余因子，就会启动数据冗余复制，为它生成新的副本
•HDFS和其它分布式文件系统的最大区别就是可以调整冗余数据的位置

数据出错

•网络传输和磁盘错误等因素，都会造成数据错误
•客户端在读取到数据后，会采用md5和sha1对数据块进行校验，以确定读取到正确的数据
•在文件被创建时，客户端就会对每一个文件块进行信息摘录，并把这些信息写入到同一个路径的隐藏文件里面
•当客户端读取文件的时候，会先读取该信息文件，然后，利用该信息文件对每个读取的数据块进行校验，如果校验出错，客户端就会请求到另外一个数据节点读取该文件块，并且向名称节点报告这个文件块有错误，名称节点会定期检查并且重新复制这个块

5.1HDFS数据读写过程

1.读数据的过程
2.写数据的过程

5.2读数据的过程

•FileSystem是一个通用文件系统的抽象基类，可以被分布式文件系统继承，所有可能使用
Hadoop文件系统的代码，都要使用这个类
•Hadoop为FileSystem这个抽象类提供了多种具体实现
•DistributedFileSystem就是FileSystem在HDFS文件系统中的具体实现
•FileSystem的open()方法返回的是一个输入流FSDataInputStream对象，在HDFS

文件系统中
，具体的输入流就是DFSInputStream；FileSystem中的create()方法返回的是一个输出流
FSDataOutputStream对象，在HDFS文件系统中，具体的输出流就是DFSOutputStream。

Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(conf);
FSDataInputStream in = fs.open(new Path(uri));
FSDataOutputStream out = fs.create(new Path(uri));

这里写图片描述

这里写图片描述
备注：创建一个Configuration对象时，其构造方法会默认加载工程项目下两个配置文件，分别是
hdfs-site.xml以及core-site.xml，这两个文件中会有访问HDFS所需的参数值，主要是fs.defaultFS，指定了HDFS的地址（比如hdfs://localhost:9000），有了这个地址客户端就可以通过这个地址访问HDFS了
这里写图片描述

这里写图片描述

6.HDFS编程实践

Hadoop提供了关于HDFS在Linux操作系统上进行文件操作的常用Shell命令以及Java
API。同时还可以利用Web界面查看和管理Hadoop文件系统
备注：Hadoop安装成功后，已经包含HDFS和MapReduce，不需要额外安装。而
HBase等其他组件，则需要另外下载安装。
在学习HDFS编程实践前，我们需要启动Hadoop。执行如下命令：
这里写图片描述

HDFS有很多shell命令，其中，fs命令可以说是HDFS最常用的命令。利用该命令可以查看HDFS文件系统的目录结构、上传和下载数据、创建文件等。该命令的用法为：
hadoop fs [genericOptions] [commandOptions]
备注：Hadoop中有三种Shell命令方式：
hadoop fs适用于任何不同的文件系统，比如本地文件系统和HDFS文件系统
hadoop dfs只能适用于HDFS文件系统
hdfs dfs跟hadoop dfs的命令作用一样，也只能适用于HDFS文件系统

hadoop fs -ls :显示指定的文件的详细信息
hadoop fs -mkdir :创建指定的文件夹

hadoop fs -cat <path>:将<path>指定的文件的内容输出到标准输出（stdout）
hadoop fs -copyFromLocal <localsrc> <dst>:将本地源文件<localsrc>复制到路径
<dst>指定的文件或文件夹中

利用Java API 与HDFS 进行交互
实例：利用hadoop 的java api检测伪分布式文件系统HDFS上是否存在某个文件？
准备工作：在Ubuntu系统中安装和配置Eclipse
第一步:放置配置文件到当前工程下面（ eclipse工作目录的bin文件夹下面）
第二步：编写实现代码

为项目加载所需要用到的jar包
如何获取jar 包
Java API所在的jar包都在已经安装好的hadoop文件夹里，路径：
/usr/local/hadoop/share/hadoop(如果读者安装的hadoop不在此目录，请找到jar包所在的文件夹)

编程实例

利用Hadoop 的Java API检测伪分布式文件系统HDFS上是否存在某个文件？
下面编写一个简单的程序来测试伪分布式文件系统HDFS上是否存在input.txt文件？
第一步: 放置配置文件到当前工程下面
需要把集群上的core-site.xml和hdfs-site.xml(这两文件存在/hadoop/etc/hadoop目录下)放到当前工程项目下，即eclipse工作目录的bin文件夹下面。

总结：

• 分布式文件系统是大数据时代解决大规模数据存储问题的有效解决方案，HDFS
开源实现了GFS，可以利用由廉价硬件构成的计算机集群实现海量数据的分布式
存储
• HDFS具有兼容廉价的硬件设备、流数据读写、大数据集、简单的文件模型、强
大的跨平台兼容性等特点。但是，也要注意到，HDFS也有自身的局限性，比如
不适合低延迟数据访问、无法高效存储大量小文件和不支持多用户写入及任意修
改文件等
• 块是HDFS核心的概念，一个大的文件会被拆分成很多个块。HDFS采用抽象的块概念，具有支持大规模文件存储、简化系统设计、适合数据备份等优点
• HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群包括一个名称节点和若干个数据节点。名称节点负责管理分布式文件系统的命名空间；数据节点是分布式文件系统HDFS的工作节点，负责数据的存储和读取
• HDFS采用了冗余数据存储，增强了数据可靠性，加快了数据传输速度。HDFS还采用了相应的数据存放、数据读取和数据复制策略，来提升系统整体读写响应性能。HDFS把硬件出错看作一种常态，设计了错误恢复机制