深度解读HADOOP1.X中HDFS特点及工作原理

　　HDFS全称是Hadoop Distributed File System，是Hadoop项目中常见的一种 分布式文件系统，在Hadoop项目中，HDFS解决了文件分布式存储的问题。

　　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，不足一64M的就以实际文件大小为block存在DataNode中。然后将block按键值对（形如：Block1： host2，host1，host3）存储在HDFS上，并将键值对的映射存到NameNode的内存中。一个键值对的映射大约为150个字节（如果存储1亿个文件，则NameNode需要20G空间），如果小文件太多，则会在NameNode中产生相应多的键值对映射，那NameNode内存的负担会很重。而且处理大量小文件速度远远小于处理同等大小的大文件的速度。每一个小文件要占用一个slot，而task启动将耗费大量时间甚至大部分时间都耗费在启动task和释放task上。

　　

　　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HDFS的管理员。管理数据块映射;处理客户端的读写请求;负责维护元信息;配置副本策略;管理HDFS的名称空间等

　　SecondaryNameNode：负责元信息和日志的合并;合并fsimage和fsedits然后再发给namenode。

　　PS:NameNode和SecondaryNameNode两者没有关系，更加不是备份，NameNode挂掉的时候SecondaryNameNode并不能顶替他的工作。

　　然而，由于NameNode单点问题，在Hadoop2中NameNode以集群的方式部署主要表现为HDFS Feration和HA，从而省去了SecondaryNode的存在，关于Hadoop2.x的改进移步hadoop1.x 与hadoop2.x 架构变化分析

　　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。）是在NameNode启动时对整个文件系统的快照

　　edits：启动后NameNode对元数据的操作日志（针对文件系统做的修改操作记录）

　　namenode内存中存储的是=fsimage+edits。

　　只有在NameNode重启时，edit logs才会合并到fsimage文件中，从而得到一个文件系统的最新快照。但是在产品集群中NameNode是很少重启的，这也意味着当NameNode运行了很长时间后，edit logs文件会变得很大。在这种情况下就会出现下面一些问题：

　　edit logs文件会变的很大，怎么去管理这个文件是一个挑战。

　　NameNode的重启会花费很长时间，因为有很多在edit logs中的改动要合并到fsimage文件上。

　　如果NameNode挂掉了，那我们就丢失了很多改动因为此时的fsimage文件非常旧。［笔者认为在这个情况下丢失的改动不会很多， 因为丢失的改动应该是还在内存中但是没有写到edit logs的这部分。］

　　那么其实可以在NameNode中起一个程序定时进行新的fsimage=edits+fsimage的更新，但是有一个更好的方法是SecondaryNameNode。

　　SecondaryNameNode的职责是合并NameNode的edit logs到fsimage文件中，减少NameNode下一次重启过程

　　

　　上面的图片展示了Secondary NameNode是怎么工作的。

　　首先，它定时到NameNode去获取edit logs，并更新到自己的fsimage上。

　　一旦它有了新的fsimage文件，它将其拷贝回NameNode中。

　　NameNode在下次重启时会使用这个新的fsimage文件，从而减少重启的时间。

　　Secondary NameNode的整个目的是在HDFS中提供一个检查点。它只是NameNode的一个助手节点。这也是它在社区内被认为是检查点节点的原因。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的工作量和下一次重启过程。

　　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（即键值对的映射）。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的网络流量带宽。

　　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（键值对的映射），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：

　　优先读取本机架上的数据。

　　HDFS中常用到的命令

3、hadoop fsck

　　4、start-balancer.sh

　　注意，看了hdfs的布局，以及作用，这里需要考虑几个问题：

　　1、既然NameNode，存储小文件不太合适，那小文件如何处理？

　　至少有两种场景下会产生大量的小文件：

　　（1）这些小文件都是一个大逻辑文件的一部分。由于HDFS在2.x版本开始支持对文件的append，所以在此之前保存无边界文件（例如，log文件）（译者注：持续产生的文件，例如日志每天都会生成）一种常用的方式就是将这些数据以块的形式写入HDFS中（a very common pattern for saving unbounded files （e.g. log files） is to write them in chunks into HDFS）。

　　（2）文件本身就是很小。设想一下，我们有一个很大的图片语料库，每一个图片都是一个独一的文件，并且没有一种很好的方法来将这些文件合并为一个大的文件。

　　（1）第一种情况

　　对于第一种情况，文件是许多记录（Records）组成的，那么可以通过调用HDFS的sync（）方法（和append方法结合使用），每隔一定时间生成一个大文件。或者，可以通过写一个程序来来合并这些小文件（可以看一下Nathan Marz关于Consolidator一种小工具的文章）。

　　（2）第二种情况

　　对于第二种情况，就需要某种形式的容器通过某种方式来对这些文件进行分组。Hadoop提供了一些选择：

　　HAR File

　　Hadoop Archives （HAR files）是在0.18.0版本中引入到HDFS中的，它的出现就是为了缓解大量小文件消耗NameNode内存的问题。HAR文件是通过在HDFS上构建一个分层文件系统来工作。HAR文件通过hadoop archive命令来创建，而这个命令实 际上是运行了一个MapReduce作业来将小文件打包成少量的HDFS文件（译者注：将小文件进行合并几个大文件）。对于client端来说，使用HAR文件没有任何的改变：所有的原始文件都可见以及可访问（只是使用har://URL，而不是hdfs://URL），但是在HDFS中中文件数却减少了。

　　读取HAR中的文件不如读取HDFS中的文件更有效，并且实际上可能较慢，因为每个HAR文件访问需要读取两个索引文件以及还要读取数据文件本身（如下图）。尽管HAR文件可以用作MapReduce的输入，但是没有特殊的魔法允许MapReduce直接操作HAR在HDFS块上的所有文件（although HAR files can be used as input to MapReduce， there is no special magic that allows maps to operate over all the files in the HAR co-resident on a HDFS block）。 可以考虑通过创建一种input format，充分利用HAR文件的局部性优势，但是目前还没有这种input format。需要注意的是：MultiFileInputSplit，即使在HADOOP-4565的改进，但始终还是需要每个小文件的寻找。我们非常有兴趣看到这个与SequenceFile进行对比。 在目前看来，HARs可能最好仅用于存储文档（At the current time HARs are probably best used purely for archival purposes.）