社区首页 >专栏 >HDFS系列(1) | HDFS文件系统的简单介绍

HDFS系列(1) | HDFS文件系统的简单介绍

不温卜火

发布于 2020-10-28 07:36:12

1.3K00

代码可运行

文章被收录于专栏：不温卜火不温卜火

运行总次数：0

代码可运行

在Hadoop分布式环境搭建(简单高效~)这篇博客中,博主在最后为大家带来了HDFS的初体验。但是当时只是尝试测试一下集群是否有错误，因此，本篇博文为大家带来HDFS的文件系统介绍。

在介绍文件系统之前我们首先需要了解HDFS的作用。我们都知道HDFS是Hadoop的一个核心组件，那在Hadoop中HDFS扮演着怎样的一个角色呢？我们可以通过下图直观的了解。

上图中个部分的作用：
HDFS：一个高可靠、高吞吐量的分布式文件系统，对海量数据的存储。
MapReduce：一个分布式的资源调度和离线并行计算框架。
Yarn：基于HDFS,用于作业调度和集群资源管理的框架。

话不多说，开始进入正题

一. HDFS基本介绍

HDFS 是 Hadoop Distribute File System 的简称，意为：Hadoop 分布式文件系统。是 Hadoop 核心组件之一，作为最底层的分布式存储服务而存在。

分布式文件系统解决的问题就是大数据存储。它们是横跨在多台计算机上的存储系统。分布式文件系统在大数据时代有着广泛的应用前景，它们为存储和处理超大规模数据提供所需的扩展能力。

可以把HDFS理解为将多个节点上的容量汇总到一起,拼接成一个大的文件系统,在一个节点上上传数据,在其他的节点上都能够访问使用。

二. HDFS的组成架构及作用

1. 在HDFS中，使用主从节点的方式，即使用Master和Slave结构对集群进行管理。一般一个 HDFS 集群只有一个Namenode 和一定数目的Datanode 组成。Namenode 是 HDFS 集群主节点，Datanode 是 HDFS集群从节点，两种角色各司其职，共同协调完成分布式的文件存储服务。

那么如何生动的理解这一过程呢，博主准备如下图片使大家能够使大家能够能加容易的理解这一概念：

由上图可知：
   NameNode（Master）管理者 - 只负责管理，管理集群内各个节点。
   SecondaryNameNode 辅助管理 – 只负责辅助NameNode管理工作。
   DataNode(Slave) 工作者，是负责工作，周期向NameNode汇报，进行读写数据。

2. HDFS集群包括，NameNode，DataNode，clent以及Secondary Namenode(在第九部分有图解)

①NameNode（Master）

1.管理HDFS的名称空间
2.配置副本策略
3.管理数据块(Block)映射信息
4.处理客户端读写请求

②DataNode（Slave）

1.存储实际的数据块
2.执行数据块的读/写操作

③ Client

1.文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传
2.与NaneNode交互，获取文件的位置信息
3.与DataNode交互，读取或者写入数据
4.Client提供一些命令来管理HDFS，比如NameNode格式化
5.Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作

④SecondaryNameNode：

1.辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode
2.在紧急情况下，可辅助恢复NameNode

三. HDFS分块存储

HDFS将所有的文件全部抽象成为block块来进行存储，不管文件大小，全部一视同仁都是以block块的统一大小和形式进行存储，方便我们的分布式文件系统对文件的管理。

块的默认大小在Hadoop2.x版本中是128M，老版本为64M。block块的大小可以通过hdfs-site.xml当中的配置文件进行指定。

 <property>
        <name>dfs.block.size</name>
        <value>块大小 以字节为单位</value>//只写数值就可以
    </property>

注意: 你需要了解知识点：一个文件100M，上传到HDFS占用几个快？一个块128M，剩余的28M怎么办？事实上，128只是个数字，数据超过128M，便进行切分，如果没有超过128M，就不用切分，有多少算多少，不足128M的也是一个块。这个块的大小就是100M，没有剩余28M这个概念。

四. 抽象成数据块的好处

为什么要要将数据抽象成数据块呢？又有哪些好处？

一个文件有可能大于集群中任意一个磁盘 10T*3/128 = xxx块 2T，2T，2T 文件方式存—–>多个block块，这些block块属于一个文件
使用块抽象而不是文件可以简化存储子系统
块非常适合用于数据备份进而提供数据容错能力和可用性

通常DataNode从磁盘中读取块，但对于访问频繁的文件，其对应的块可能被显示的缓存在DataNode的内存中，以堆外块缓存的形式存在。默认情况下，一个块仅缓存在一个DataNode的内存中，当然可以针对每个文件配置DataNode的数量。作业调度器通过在缓存块的DataNode上运行任务，可以利用块缓存的优势提高读操作的性能。

例如：连接（join）操作中使用的一个小的查询表就是块缓存的一个很好的候选。用户或应用通过在缓存池中增加一个cache directive来告诉namenode需要缓存哪些文件及存多久。缓存池（cache pool）是一个拥有管理缓存权限和资源使用的管理性分组。例如一个文件 130M，会被切分成2个block块，保存在两个block块里面，实际占用磁盘130M空间，而不是占用256M的磁盘空间

五. HDFS副本机制

HDFS视硬件错误为常态，硬件服务器随时有可能发生故障。为了容错，文件的所有 block 都会有副本。每个文件的 block 大小和副本系数都是可配置的。应用程序可以指定某个文件的副本数目。副本系数可以在文件创建的时候指定，也可以在之后改变。数据副本默认保存三个副本，我们可以更改副本数以提高数据的安全性，怎样修改副本数呢？

vim hdfs-site.xml

<property>
      <name>dfs.replication</name>
      #  这里填写副本数,修改完毕之后记得重启集群生效
      <value>3</value>
</property>

六. Hadoop2.7.2副本节点选择

第一个副本在client所处的节点上。如果客户端在集群外，随机选一个。
第二个副本和第一个副本位于相同机架，随机节点。
第三个副本位于不同机架，随机节点。

七. 名字空间（NameSpace）

HDFS 支持传统的层次型文件组织结构。用户或者应用程序可以创建目录，然后将文件保存在这些目录里。文件系统名字空间的层次结构和大多数现有的文件系统类似：用户可以创建、删除、移动或重命名文件。 Namenode 负责维护文件系统的名字空间，任何对文件系统名字空间或属性的修改都将被Namenode 记录下来。 HDFS 会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data。

八. Namenode 元数据管理

1.我们把目录结构及文件分块位置信息叫做元数据。Namenode负责维护整个hdfs文件系统的目录树结构，以及每一个文件所对应的 block 块信息（block 的id，及所在的datanode服务器）。

2. Namenode节点负责确定指定的文件块到具体的Datanode结点的映射关系。在客户端与数据节点之间共享数据。

3.管理Datanode结点的状态报告，包括Datanode结点的健康状态报告和其所在结点上数据块状态报告，以便能够及时处理失效的数据结点。

九. Datanode 数据存储

1. 文件的各个 block 的具体存储管理由 datanode 节点承担。每一个 block 都可以在多个datanode 上。Datanode 需要定时向 Namenode 汇报自己持有的 block信息。存储多个副本（副本数量也可以通过参数设置 dfs.replication，默认是 3）。

2.向Namenode结点报告状态。每个Datanode结点会周期性地向Namenode发送心跳信号和文件块状态报告。

心跳是每3秒一次，心跳返回结果带有namenode给该datanode的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10分钟没有收到某个datanode的心跳，则认为该节点不可用。 DataNode启动后向namenode注册，通过后，周期性（1小时）的向namenode上报所有的块信息。