自上一篇文章《Hadoop安装与集群配置》之后，需要对hadoop的一些基础知识进行一些总结。此文为HDFS相关的知识点总结。
1.Hadoop组成
Hadoop主要由三大模块组成：
1.1 HDFS
存储模块
* 分布式文件存储系统
* 提供了高可靠性、高扩展性和高吞吐率的数据存储服务
* hdfs典型结构：物理结构+逻辑结构
1.2. YARN
资源调配模块（引擎）（分布式资源管理框架）
* 负责集群资源的管理和调度
1.3. MapReduce
计算引擎
* 分布式计算框架（计算向数据移动-->移动计算而非移动数据）
* 具有易于编程、高容错性和高扩展性的优点
2.HDFS存储模型
* 文件线性切割成Block：偏移量（offset）
* Block分散存储在集群节点中
* 单一文件Block大小一致，文件与文件可以不一致
* Block可以设置副本数，副本分散在不同的节点中
* 副本数不要超过节点数量
* 文件上传可以设置Block大小和副本数
* 已上传的文件Block副本数可以调整，大小不变
* 只支持一次写入多次读取，同一时刻只有一个写入者
* 只能追加，不能修改
3.HDFS架构模型
* 文件的元数据（metadata）和文件数据是分开存储
* （主）NameNode存储文件元数据，单节点（posix）
* （从）DataNode存储文件数据
* DataNode与NameNode保持心跳，由dataNode提交Block列表
* HdfsClient（用户）与NameNode交互元数据信息
* HdfsClient（用户）与DataNode交互文件数据信息
HDFS架构.png
HDFS设计思想.png
4.NameNode
4.1 基于内存存储
- 只存在内存中（除了初始化和持久化的时候跟硬盘打交道，其余时候全部在内存中操作）
- 持久化操作（假设内存只有1G，现在数据有1.2G，则需要做持久化）
* 不存储Block位置信息（由DataNode上报给NameNode）-不存储到fsimage中
* NameNOde的metadata信息在启动后加载到内存
* Metadata信息存储到fsimage文件中
* edits记录对metadata的操作日志（类似redis）
4.2 NameNode主要功能
- 接受客户端的读写要求
- 收集DataNode汇报的Block列表信息
4.3 NameNode保存Metadata主要信息
- 文件Owership和pemissions
- 文件大小和时间
- Block列表（offset等）
- Block每个副本的位置（由DataNode上报）
5. DataNode
- 本地磁盘目录存储数据（Block），文件形式
- 同时存储Block的元数据信息
- 启动datanode时，会向namenode汇报block信息
- 通过向NameNode发送心跳信息保持与其联系（每3秒一次），如果NameNode 10分钟没有收到DataNode的心跳，则认为其已经lost，则将其block信息copy到其他DataNode上
6.HDFS优点
-
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
* 移动计算非数据（把计算的逻辑在有数据的地方进行计算） * 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 -
可构建在廉价的机器上
7.HDFS缺点
-
无法进行低延迟数据访问
* 比如毫秒级 * 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
8.Block副本的放置策略
- 第一个副本：放置在上传文件的datanode上，如果是集群外提交，则随机挑选一台磁盘不太满，cpu不太忙的节点
- 第二个副本：放置在第一个副本不同的机架的节点上
- 第三个副本：与第二个副本相同的机架的节点
- 更多副本：随机节点
Block副本的放置策略.png
9.HDFS写流程
（待续）
10.HDFS读流程
（待续）
11.总结
- HDFS就是一个分余展的大硬盘：分--分块 余--可以冗余，展--动态扩展
- 云计算：分布式计算，分布在不懂服务器中的计算
- 设计原则：移动计算，而不是移动数据
- 在生产环境中，nameNode和resourceManager一般情况是在不同机器上，而nodeManageer和datanode一般情况是在同一台机器上（至少离得近）
网友评论