大数据(hadoop-HDFS原理分析)

HDFS概述

HDFS是什么？

源自于Google的GFS论文
      发表于2003年10月
      HDFS是GFS克隆版    
Hadoop Distributed File System 
      易于扩展的分布式文件系统
      运行在大量普通廉价机器上，提供容错机制
      为大量用户提供性能不错的文件存取服务

HDFS的优势：

高容错性
    数据自动保存多个副本
    副本丢失后自动恢复
适合批处理
    移动计算而非数据
    数据位置暴露给计算框架
适合大数据处理
    GB、TB、甚至PB级数据
    百万规模以上的文件数量
    10K+节点规模  
流式文件访问
    一次性写入，屡次读取
    保证数据一致性
可构建在廉价机器上
    经过多副本提升可靠性
    提供了容错和恢复机制

HDFS的缺点：

低延迟数据访问
    好比毫秒级
    低延迟与高吞吐率
小文件存取
    占用NameNode大量内存
    寻道时间超过读取时间
并发写入、文件随机修改
    一个文件只能有一个写者
    仅支持append

分布式文件系统的一种实现方式：

HDFS设计思想：

HDFS架构：

HDFS数据块（block）：

文件被切分红固定大小的数据块
    默认数据块大小为128MB，可配置
    若文件大小不到128MB，则单独存成一个block
为什么数据块如此之大
    数据传输时间超过寻道时间(高吞吐率)
一个文件存储方式
    按大小被切分红若干个block，存储到不一样节点上
    默认状况下每一个block有三个副本

HDFS写流程：

HDFS读流程：

HDFS典型物理拓扑：

每一个机架一般有16-64个节点

HDFS副本放置策略：

一个文件划分红多个block，每一个block存多份，如何为每一个block选择节点存储这几份数据？

Block副本放置策略：
副本1：同Client的节点上
副本2：不一样机架中的节点上
副本3： 与第二个副本同一机架的另外一个节点上
其余副本：随机挑选 

HDFS可靠性策略：

 文件完整性
    ---CRC32校验
    ---用其余副本取代损坏文件
 Heartbeat
    ---Datanode按期向Namenode发heartbeat
 元数据信息
    ---FSImage（文件系统镜像）、Editlog（操做          日志）
    ---多份存储
    ---主备NameNode实时切换

HDFS不适合存储小文件：

元信息存储在NameNode内存中
    一个节点的内存是有限的
存取大量小文件消耗大量的寻道时间
    类比拷贝大量小文件与拷贝同等大小的一个大文件
NameNode存储block数目是有限的
    一个block元信息消耗大约150byte内存
    存储一亿个block，大约须要20GB内存
    若是一个文件大小为10K，则一亿个文件大小仅为1TB（但要消耗掉NameNode20GB内存）

HDFS访问方式：

HDFS Shell命令

HDFS Java API

HDFS Fuse：实现了fuse协议

HDFS lib hdfs：C/C++访问接口

HDFS其余语言编程API
    使用thrift实现
    支持C++、Python、php、C#等语言

HDFS Shell命令一律览：

hadoop fs 命令一文件操做命令：

HADOOP Shell命令一文件操做命令：

将本地文件上传到HDFS上

bin/hadoop fs –copyFromLocal  /local/data  /hdfs/data

删除文件/目录

bin/hadoop fs –rm  /hdfs/data

建立目录

bin/hadoop fs –mkdir  /hdfs/data

HDFS Shell命令一管理命令：

HDFS Shell命令一管理脚本

HDFS Shell命令一文件管理命令fsck

     检查hdfs中文件的健康情况
     查找缺失的块以及过少或过多副本的块
     查看一个文件的全部数据块位置
     删除损坏的数据块

HDFS Shell命令一文件管理命令fsck

HDFS Shell命令一数据均衡器balancer

数据块重分布
  bin/start-balancer.sh-threshold <percentage of disk capacity>     
percentage of disk capacity
  HDFS达到平衡状态的磁盘使用率误差值
  值越低各节点越平衡，但消耗时间也更长

HDFS Java API介绍

configuration类：
    该类的对象封装了配置信息，这些配置信息来自core-*.xml
FileSystem类：
    文件系统类，可以使用该类的方法对文件/目录进行操做。通常经过FileSystem的静态方法get得到一个文件系统对象
FSDataInputStream和FSDataOutputStream类：
    HDFS中的输入输出流。分别经过FileSystem的Open方法和create方法得到

以上类均来自java包：org.apache.hadoop.fs

HDFS Java程序举例

将本地文件拷贝到HDFS上
Configution config=new Configution();
FileSystem hdfs = FileSystem.get(config);
Path srcPath = new Path(srcFile);
Path dstPath = new Path(dstFile);
hdfs.copyFromLocalFile(srcPath, dstPath);

HDFS 多语言API一借助thrift