Hadoop的数据写入、备份、删除操作

Google 为了应对快速增长的数据处理，开发了一套算法。后来有人根据算法的思想，开发出开源的软件框架 ，就是Hadoop， 随着越来越多的组织和个人开发者在框架开发中不断贡献改进，Hadoop 已经形成一套家族产品，成为当下最成功最流行的分布式大数据处理框架。

Hadoop 受到很多组织青睐，是因为有两大因素：

一、超大规模的数据处理， 通常 10TB 以上；

二、超复杂的计算工作，例如统计和模拟。

Hadoop 在很多应用场景中发挥着主要功用，如大规模统计、ETL数据挖掘、大数据智能分析、机器学习等。

Hadoop 和 传统SQL关系数据存储 有什么区别？

Hadoop 读时模式（Schema on read）,传统SQL是 写时模式（Schema on write）.传统数据库存储时对数据进行检查，需要检查表结构定义等必须匹配后才让存储（write），否则就报错。Hadoop 是你拿过任何数据格式我都给你存储，只要你给我读取这些数据的接口程序，在用到这些数据时（read），才会检查。

左边是Schema on Read ，右边是Schema on Write。 右边数据格式不对会报错，左边更关注读数据的规则。Hadoop 是分布式数据库， 而大部分SQL是集中存储的。

举例来讲： 微信后台有可能数千个服务器节点用于存储微信聊天记录，假设我的聊天记录分布在60个不同的服务节点上。而对于关系数据库，会集中在多个表空间中。

假如我搜索我的一个聊天记录，Hadoop 会把搜索任务分成多个均衡负载的搜索任务运行在60个节点上。而传统SQL会逐个搜索存储空间，直到全部遍历。如果没有完全搜索完，会返回搜索结果吗？ Hadoop的回答是YES，而传统SQL会是NO。

Hadoop 家族的产品 Hive，可以让不怎么懂SQL 的客户开发出基本上和SQL同样功能的查询

Hadoop 的数据写入、备份、删除操作

一、数据写入

在客户端想HDFS写数据的过程中，主要分为下面几个过程：

客户端将数据缓存到本地的一个临时文件中；

当这个本地的临时文件到达HDFS中的块大小限制时，客户端访问Namenode，Namenode将文件的名字插入到HDFS命名空间中，并且为其分配相应的存储位置；

Namenode与分配好的Datanode进行沟通，确定存储位置可用，然后将这些存储位置信息返回给客户端；

客户端将本地的临时文件传输到Datanode中；

当写文件结束，临时文件关闭时，会将已有的临时数据传输到Datanode中，并告知Namenode写数据完成；

Namenode将该文件改变为持久的一致性状态，也就事将该操作记录到日志EditLog中。如果此时Namenode宕掉，那么文件信息丢失。

上面的过程主要特点是写入数据先缓存到本地，在达到块大小限制时才与Datanode通信进行传输。这样的好处在于避免在客户写数据的过程中持续占用网络带宽，这对于处理多用户大量数据的写入是非常关键的。

二、数据备份

数据的写入同时伴随这数据块的备份，过程如下：

在客户端临时数据达到一个块时，与Namenode通信，得到一组Datanode地址，这些Datanode就是用来存储该数据块的；

客户端首先将该数据块发送到一个Datanode上，Datanode在接受时是以4kb为单位进行，我们把这些小单位称为缓存页（参考了Linux管道文件的说法）；

对于第一个接到数据的Datanode，它把缓存页中的数据写入自己的文件系统，另一方面，它又将这些缓存页传送给下一个Datanode；

重复3的过程，第二个Datanode又将缓存页存储在本地文件系统，同时将它传送给第三个Datanode；

如果HDFS中的备份数目设置为3，那么第三个Datanode就只需要将缓存页存储即可。

上面的过程中，数据块从客户端流向第一个Datanode，然后再流向第二个，从第二个再到第三个，整个是一个流水线过程，中间不会有停顿。所以HDFS将它称为Replication Pipelining。

为什么不采取客户端同时向多个Datanode写数据的方法呢？其实从Pipelining这个称呼上就可以猜到，客户端和Datanode采用的缓存文件都是管道文件，即只支持一次读取。

三、 数据删除

HDFS中的数据删除也是比较有特点的，并不是直接删除，而是先放在一个类似回收站的地方（/trash），可供恢复。

对于用户或者应用程序想要删除的文件，HDFS会将它重命名并移动到/trash中，当过了一定的生命期限以后，HDFS才会将它从文件系统中删除，并由Namenode修改相关的元数据信息。并且只有到这个时候，Datanode上相关的磁盘空间才能节省出来，也就是说，当用户要求删除某个文件以后，并不能马上看出HDFS存储空间的增加，得等到一定的时间周期以后（现在默认为6小时）。

对于备份数据，有时候也会需要删除，比如用户根据需要下调了Replicaion的个数，那么多余的数据备份就会在下次Beatheart联系中完成删除，对于接受到删除操作的Datanode来说，它要删除的备份块也是先放入/trash中，然后过一定时间后才删除。因此在磁盘空间的查看上，也会有一定的延时。

那么如何立即彻底删除文件呢，可以利用HDFS提供的Shell命令：bin/hadoop dfs expunge清空/trash。