Hadoop基础-HDFS的读取与写入过程剖析

　　　　　　　　　　　　　　　　Hadoop基础-HDFS的读取与写入过程剖析

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　作者：尹正杰

版权声明：原创作品，谢绝转载！否则将追究法律责任。

　　本篇博客会简要介绍hadoop的写入过程，并不会设计到源码，我会用图和文字来描述hdfs的写入过程。

一.hdfs写数据流程

 

 　　如上图所示，想要把一个4.2G的文件写入到hdfs集群中，它是怎么实现的呢？其步骤简要如下：

1>.客户端向NameNode请求在"/user/yinzhengjie/movies/"目录下上传一个名称叫“苍老师.rmvb”的视频；

2>.NameNode检查客户端是否有权限上传，如果有返回客户端可以上传，否则返回权限被拒绝。

3>.客户端请求第一个block上传到哪几个DataNode服务器上；

4>.NameNode返回3个DataNode节点，分别为DataNode1，DataNode2，DataNode3（如上图所示）；

5>.客户端请求DataNode1上传数据，DataNode1收到请求会继续调用DataNode2，然后DataNode2再调用DataNode3，将这个同学管道简历完成；

6>.DataNode1，DataNode2，DataNode3逐级应答客户端

7>.客户端开始往DataNode1上传第一个block（先从磁盘读取数据存放到一个本地内存缓冲区），以package为单位，DataNode1收到一个package就会传给DataNode2，DataNode2传给DataNode3；DataNode1每传一个packet会放入一个应答队列等待应答；

8>.当一个block传输完成后，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）

HDFS Client:
    DistributedFileSystem:分布式文件系统，负责链接NameNode
    FSDataOutputStream:数据输出流，负责数据的存储和输出

NameNode：
    存放元数据
    
DataNode:
    存储数据
    
    
一致性模型：
    hdfs默认的写入方式是：客户端开始往DataNode1上传第一个block（先从磁盘读取数据存放到一个本地内存缓冲区），
以package为单位，DataNode1收到一个package就会传给DataNode2，DataNode2传给DataNode3；DataNode1每传一个
packet会放入一个应答队列等待应答。
    据说所述，默认的写入方式可靠性很强，但是也意味着会消耗着大量的传输时间，浪费了大量的时间。如果客户端开始往
DataNode1上传第一个block成功后，DataNode1立即写入数据到磁盘并告诉NameNode写入完毕，接下来就上传第二个block，
与此同时，DataNode1会将client传来的数据同步到其它两个节点中。
    想要使用一致性模型，我们在写入的时候只要调用输出流的“hflush()”一致性刷新方法即可。
    

二.hdfs读数据流程

　　如上图所示，想要把一个4.2G的文件从hdfs集群中读取，它是怎么实现的呢？其步骤简要如下：

1>.客户端向NameNode请求下载"/user/yinzhengjie/movies/苍老师.rmvb"的文件；

2>.NameNode通过查询元数据，如果找到文件块所在的DataNode地址列表就返回给客户端，如果没有找到元数据信息就返回客户端访问的资源不存在；

3>.客户端拿到NameNode的数据之后，挑选一台DataNode服务器（就近原则，然后随机）请求读取数据；

4>.DataNode开始传输数据给客户端（从磁盘里面读取数据放入流，以package为单位来做实验）；

5>.客户端以package为单位接收，现在本地缓存，然后写入目标文件；

一. Hadoop中需要哪些配置文件，其作用是什么？
1>core-site.xml：
    (1)fs.defaultFS:hdfs://cluster1(域名)，这里的值指的是默认的HDFS路径 。
    (2)hadoop.tmp.dir:/export/data/hadoop_tmp,这里的路径默认是NameNode、DataNode、secondaryNamenode等存放数据的公共目录。用户也可以自己单独指定这三类节点的目录。
    (3)ha.zookeeper.quorum:hadoop101:2181,hadoop102:2181,hadoop103:2181,这里是ZooKeeper集群的地址和端口。注意，数量一定是奇数，且不少于三个节点 。
2>.hadoop-env.sh: 只需设置jdk的安装路径，如：export JAVA_HOME=/usr/local/jdk。
3>.hdfs-site.xml：
    (1)dfs.replication:他决定着系统里面的文件块的数据备份个数，默认为3个。
    (2)dfs.data.dir:datanode节点存储在文件系统的目录 。
    (3)dfs.name.dir:是namenode节点存储hadoop文件系统信息的本地系统路径 。
4>.mapred-site.xml：
    mapreduce.framework.name: yarn指定mr运行在yarn上。

二.请列出正常工作的Hadoop集群中Hadoop都分别需要启动哪些进程，它们的作用分别是什么?
1>.NameNode它是hadoop中的主服务器，管理文件系统名称空间和对集群中存储的文件的访问，保存有metadate。
2>.SecondaryNameNode它不是namenode的冗余守护进程，而是提供周期检查点和清理任务。帮助NN合并editslog，减少NN启动时间。
3>.DataNode它负责管理连接到节点的存储（一个集群中可以有多个节点）。每个存储数据的节点运行一个datanode守护进程。
4>.ResourceManager（JobTracker）JobTracker负责调度DataNode上的工作。每个DataNode有一个TaskTracker，它们执行实际工作。
5>.NodeManager（TaskTracker）执行任务。
6>.DFSZKFailoverController高可用时它负责监控NN的状态，并及时的把状态信息写入ZK。它通过一个独立线程周期性的调用NN上的一个特定接口来获取NN的健康状态。FC也有选择谁作为Active NN的权利，因为最多只有两个节点，目前选择策略还比较简单（先到先得，轮换）。
7>.JournalNode 高可用情况下存放namenode的editlog文件。

三.简述Hadoop的几个默认端口及其含义
1>.dfs.namenode.http-address:50070
2>.SecondaryNameNode辅助名称节点端口号：50090
3>.dfs.datanode.address:50010
4>.fs.defaultFS:8020 或者9000
5>.yarn.resourcemanager.webapp.address:8088