【Hadoop】HDFS的运行原理
简介
HDFS（Hadoop Distributed File System ）Hadoop分布式文件系统。是根据google发表的论文翻版的。论文为GFS（Google File System）Google 文件系统（中文，英文）。
HDFS有很多特点：
① 保存多个副本，且提供容错机制，副本丢失或宕机自动恢复。默认存3份。
② 运行在廉价的机器上。
③ 适合大数据的处理。多大？多小？HDFS默认会将文件分割成block，64M为1个block。然后将block按键值对存储在HDFS上，并将键值对的映射存到内存中。如果小文件太多，那内存的负担会很重。
如上图所示，HDFS也是按照Master和Slave的结构。分NameNode、SecondaryNameNode、DataNode这几个角色。
NameNode：是Master节点，是大领导。管理数据块映射；处理客户端的读写请求；配置副本策略；管理HDFS的名称空间；
SecondaryNameNode：是一个小弟，分担大哥namenode的工作量；是NameNode的冷备份；合并fsimage和fsedits然后再发给namenode。
DataNode：Slave节点，奴隶，干活的。负责存储client发来的数据块block；执行数据块的读写操作。
热备份：b是a的热备份，如果a坏掉。那么b马上运行代替a的工作。
冷备份：b是a的冷备份，如果a坏掉。那么b不能马上代替a工作。但是b上存储a的一些信息，减少a坏掉之后的损失。
fsimage:元数据镜像文件（文件系统的目录树。）
edits：元数据的操作日志（针对文件系统做的修改操作记录）
namenode内存中存储的是=fsimage+edits。
SecondaryNameNode负责定时默认1小时，从namenode上，获取fsimage和edits来进行合并，然后再发送给namenode。减少namenode的工作量。
工作原理
写操作：
有一个文件FileA，100M大小。Client将FileA写入到HDFS上。
HDFS按默认配置。
HDFS分布在三个机架上Rack1，Rack2，Rack3。
a. Client将FileA按64M分块。分成两块，block1和Block2;
b. Client向nameNode发送写数据请求，如图蓝色虚线①------>。
c. NameNode节点，记录block信息。并返回可用的DataNode，如粉色虚线②--------->。
Block1: host2,host1,host3
Block2: host7,host8,host4
原理：
NameNode具有RackAware机架感知功能，这个可以配置。
若client为DataNode节点，那存储block时，规则为：副本1，同client的节点上；副本2，不同机架节点上；副本3，同第二个副本机架的另一个节点上；其他副本随机挑选。
若client不为DataNode节点，那存储block时，规则为：副本1，随机选择一个节点上；副本2，不同副本1，机架上；副本3，同副本2相同的另一个节点上；其他副本随机挑选。
d. client向DataNode发送block1；发送过程是以流式写入。
流式写入过程，
1>将64M的block1按64k的package划分;
2>然后将第一个package发送给host2;
3>host2接收完后，将第一个package发送给host1，同时client想host2发送第二个package；
4>host1接收完第一个package后，发送给host3，同时接收host2发来的第二个package。
5>以此类推，如图红线实线所示，直到将block1发送完毕。
6>host2,host1,host3向NameNode，host2向Client发送通知，说“消息发送完了”。如图粉红颜色实线所示。
7>client收到host2发来的消息后，向namenode发送消息，说我写完了。这样就真完成了。如图黄色粗实线
8>发送完block1后，再向host7，host8，host4发送block2，如图蓝色实线所示。
9>发送完block2后，host7,host8,host4向NameNode，host7向Client发送通知，如图浅绿色实线所示。
10>client向NameNode发送消息，说我写完了，如图黄色粗实线。。。这样就完毕了。
分析，通过写过程，我们可以了解到：
①写1T文件，我们需要3T的存储，3T的网络流量贷款。
②在执行读或写的过程中，NameNode和DataNode通过HeartBeat进行保存通信，确定DataNode活着。如果发现DataNode死掉了，就将死掉的DataNode上的数据，放到其他节点去。读取时，要读其他节点去。
③挂掉一个节点，没关系，还有其他节点可以备份；甚至，挂掉某一个机架，也没关系；其他机架上，也有备份。
读操作：
读操作就简单一些了，如图所示，client要从datanode上，读取FileA。而FileA由block1和block2组成。
那么，读操作流程为：
a. client向namenode发送读请求。
b. namenode查看Metadata信息，返回fileA的block的位置。
block1:host2,host1,host3
block2:host7,host8,host4
c. block的位置是有先后顺序的，先读block1，再读block2。而且block1去host2上读取；然后block2，去host7上读取；
上面例子中，client位于机架外，那么如果client位于机架内某个DataNode上，例如,client是host6。那么读取的时候，遵循的规律是：
优选读取本机架上的数据。
HDFS中常用到的命令
1、hadoop fs
2、hadoop fsadmin
3、hadoop fsck
4、start-balancer.sh
去我的CSDN博客浏览：http://blog.csdn.net/weixuehao/article/details/16967485
如果，您认为阅读这篇博客让您有些收获，不妨点击一下右下角的【推荐】按钮。
如果，您希望更容易地发现我的新博客，不妨点击一下右下角的【关注 老魏】。
因为，我的写作热情也离不开您的肯定支持。
感谢您的阅读，如果您对我的博客所讲述的内容有兴趣，请继续关注我的后续博客，我是【老魏】 。
用泛型来实现编译时期的类型推断
第一章都是讲泛型的，距离上一篇Effective C#的随笔已经是很久以前的事情了。。。
今天Item4，讲的是泛型的类型推断功能。东西好不好，都是比较出来了，当然也不是绝对的好或者绝对的不好。
首先上一段不用泛型的代码。
1: public static class XmlPersistenceManager
2: {
3: public static object LoadFromFile(Type typeToLoad, string filePath)
4: {
5: XmlSerializer factory = new XmlSerializer(typeToLoad);
6: if (File.Exists(filePath)) {
7: using (TextReader tr = new StreamReader(filePath)) {
8: object rVal = factory.Deserialize(tr);
9: return rVal;
10: }
11: }
12: return default(object);//null
13: }
14: public static void SaveToFile(string filePath, object obj)
15: {
16: Type theType = obj.GetType();
17: XmlSerializer factory = new XmlSerializer(theType);
18: using (var sw = new StreamWriter(filePath, false)) {
19: factory.Serialize(sw, obj);
20: }
21: }
22: }
两个方法，一个读取Xml生成Object的实例，另一个把一个obj保存成一个Xml。这里有几个缺点
①每次调用LoadFromFile方法，必须有一个类型转换，从Object转成自己要的类型，写的时候肯定不会报错的，因为Object是所有类型的基类，但是运行的时候，就不一定了~~ 。
②这是一个性能问题。每次调用这两个方法的时候，都重新new 了一个XmlSerializer对象。Framework的设计者是会尽量降低new对象的代价，但毕竟是需要创建，然后销毁一些零时的变量。
看到第二点，大家都会想到把XmlSerializer类型对象factory作为一个XmlPersistenceManager的静态成员变量。
看到第二点可能会写出下面的代码。
1: public static class XmlPersistenceManager2
2: {
3: private static XmlSerializer factory;
4: public static object LoadFromFile(Type typeToLoad, string filePath)
5: {
6: if (factory == null)
7: factory = new XmlSerializer(typeToLoad);
8:
9: if (File.Exists(filePath)) {
10: using (TextReader tr = new StreamReader(filePath)) {
11: object rVal = factory.Deserialize(tr);
12: return rVal;
13: }
14: }
15: return default(object);//null
16: }
17: public static void SaveToFile(string filePath, object obj)
18: {
19: Type theType = obj.GetType();
20: if (factory == null) factory = new XmlSerializer(theType);
21: using (var sw = new StreamWriter(filePath, false)) {
22: factory.Serialize(sw, obj);
23: }
24: }
25: }
性能问题是解决了，但是，明显，有个bug。20行，先ClassA类型的obj调用，factory生成一个实例，木有问题；然后来一个ClassB类型的obj调用，factory ！= null ；然后，22行，调用，异常就来了。 原先我以为是不会出错的，充其量应该只是生成一个空的xml文件，但原文用了Exception这个词，然后自己测试了一下。证明，我错了，确实是Exception，再看一下代码，factory实例化的时候传入了参数theType。为什么要传这个参数呢？我想应该还是性能问题吧。new 一个 XmlSerializer 之后肯定不会只（反）序列化同类型的对象一次。
要解决这个bug也很容易，用一个Dictionary来存XmlSerializer对象。。。但是这样意味着要写更多代码，写更多编译器和JIT引擎可以帮你实现的代码。
接下来泛型上场，原文叫“correct answer”。
1: public static class GenericXmlPersistenceManager<T>
2: {
3: private static XmlSerializer factory;
4: public static T LoadFromFile(string filePath)
5: {
6: if (File.Exists(filePath)) {
7: using (XmlReader inputStream = XmlReader.Create(filePath)) {
8: if (factory == null) factory = new XmlSerializer(typeof(T));
9: T rVal = (T)factory.Deserialize(inputStream);
10: return rVal;
11: }
12: }
13: return default(T);
14: }
15: public static void SaveToFile(string filePath, T data)
16: {
17: using (XmlWriter writer = XmlWriter.Create(filePath)) {
18: if (factory == null) factory = new XmlSerializer(typeof(T));
19: factory.Serialize(writer, data);
20: }
21: }
22: }
代码上和最初的版本没有什么太大差异。解决了原先的几个问题。
①类型转换。泛型类中的LoadFromFile方法，返回的类型其实已经被限定了，就是T类型，至于T具体是什么类型，就看自己在调用的时候尖括号之间写的具体的值了。
②性能问题和那个Exception bug。用了静态变量，缓存了XmlSerializer对象，当序列化同个类型的obj的时候，不需再去重新new一个XmlSerializer。并且，如果传入了不同类型的obj，也会重新new一个对应类型的XmlSerializer 类型的factory，这样就不会报错。（想到一个问题，写完之后查资料了解一下）。
最后一段：
很多时候如果用了Type类型的参数，通常都可以定义出一个泛型的版本。编译器就会 “Create the Specific version for you.”。