欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Hadoop入门之hdfs

程序员文章站 2022-03-24 09:05:52
大数据技术开篇之Hadoop入门【hdfs】 学习都是从了解到熟悉的过程,而学习一项新的技术的时候都是从这个技术是什么?可以干什么?怎么用?如何优化?这几点开始。今天这篇文章分为两个部分。一、hadoop概述 二、hadoop核心技术之一的hdfs的讲解。 【hadoop概述】 一、hadoop是什 ......

                                                    大数据技术开篇之hadoop入门【hdfs】

    学习都是从了解到熟悉的过程,而学习一项新的技术的时候都是从这个技术是什么?可以干什么?怎么用?如何优化?这几点开始。今天这篇文章分为两个部分。一、hadoop概述  二、hadoop核心技术之一的hdfs的讲解。

【hadoop概述】

一、hadoop是什么?

          hadoop是一个由apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。hadoop实现了一个分布式文件系统(hadoop distributed file system),简称hdfs。hdfs有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序。hdfs放宽了(relax)posix的要求,可以以流的形式访问(streaming access)文件系统中的数据。hadoop的框架最核心的设计就是:hdfs和mapreduce。hdfs为海量的数据提供了存储,而mapreduce则为海量的数据提供了计算。

  简单概况就是hadoop是一个分布式系统的基础架构,通过分布式来进行高速运算和存储。

二、用来干什么?

  主要用来解决海量数据存储和海量数据运算的问题

三、当前版本

   apach 版本:主要用于自己学习研究方面,免费开源版本

   cloudera:收费版本,企业版本。目前公司商用化最多的版本。

     hortonworks:商业版本,这个版本的优势在于参考文档相对详尽,学习起来比较方便

四、hadoop组成

    commons:辅助工具
    hdfs:一个分布式高吞吐量,高可靠的分布式文件系统
    mapreduce 一个分布式离线计算框架
    yarn:作业调度和资源管理的框架。

五、集群模式

单节点模式,伪集群,完整集群。三个模式

                        hdfs 学习

一、hdfs是什么?

    hdfs一个分布式高吞吐量,高可靠的分布式文件系统。

二、hdfs优缺点:

 优点:
    【1】高容错性,数据自动保存多个副本,一个副本丢失后可以自动恢复
    【2】适合大数据的处理
    数据可以达到gb,tb,pb级别,文件处理可以达到百万以上的规模
    【3】可以构建在廉价的机器上面,通过多副本来实现可靠性

  缺点:
    【1】不适合低延时数据访问,比如毫秒级别做不到
    【2】无法高效对大量小文件进行存储
    【3】不支持文件的随机修改,仅支持文件的追加

三、hdfs的组成:

  client:客户端
       【1】文件切分。文件上传时将文件切成一个个block块
    【2】与namenode交互,获取文件的位置信息
    【3】与datanode交互,读取或写入数据
    【4】client提供一些命令来管理hdfs,比如启动或者关闭
    【5】client可以通过命令来访问hdfs
  namenode就是master,它是一个主管、管理者
    【1】管理数据块的原信息
    【2】配置副本策略
    【3】处理客户端请求
  datenode
    【1】存储实际的数据块
    【2】执行数据块的读写操作
  econdarynamenode:并非namenode的热备。当namenode挂掉的时候,它并不能马上替换namenode并提供服务
    【1】辅助namenode,分担其工作量
    【2】定期合并fsimage和edits,并推送给namenode;
    【3】在紧急情况下,可辅助恢复namenode。

四、hdfs文件写入流程

                                                        Hadoop入门之hdfs

 

    

    (1) 客户端通过distributed filesystem模块namenode请求上传文件,namenode检查目标文件是否已存在,父目录是否存在。

    (2) namenode返回是否可以上传。

    (3) 客户端请求第一个 block上传到哪几个datanode服务器上。

    (4) namenode返回3datanode节点,分别为dn1、dn2、dn3。

    (5) 客户端通过fsdataoutputstream模块请求dn1上传数据,dn1收到请求会继续调用dn2,然后dn2调用dn3,将这个通信管道建立完成。

    (6) dn1、dn2、dn3逐级应答客户端。

    (7) 客户端开始往dn1上传第一个block(先从磁盘读取数据放到一个本地内存缓存),以packet为单位,dn1收到一个packet就会传给dn2,dn2传给dn3; 

    (8) 当一个block传输完成之后,客户端再次请求namenode上传第二个block的服务器。(重复执行3-7步)。

五、hdfs 读文件流程

             Hadoop入门之hdfs

 

 

 

    (1) 客户端通过distributed filesystemnamenode请求下载文件,namenode通过查询元数据,找到文件块所在的datanode地址。

 

    (2) 挑选一台datanode(就近原则,然后随机)服务器,请求读取数据

 

    (3) datanode开始传输数据给客户端(从磁盘里面读取数据输入流,以packet为单位来做校验)。

 

    (4) 客户端以packet为单位接收,先在本地缓存,然后写入目标文件。

六、nn与2nn的工作机制

 

        Hadoop入门之hdfs

 

 

    

    (1) 第一阶段:namenode启动

 

      a) 第一次启动namenode格式化后创建fsimage和edits文件。如果不是第一次启动,直接加载编辑日志和镜像文件到内存。

 

      b) 客户端对元数据进行增删改的请求

 

      c) namenode记录操作日志,更新滚动日志

 

      d) namenode在内存中对数据进行增删改查

 

    (2) 第二阶段:secondary namenode工作

 

      a) secondary namenode询问namenode是否需要checkpoint直接带回namenode是否检查结果。

 

      b) secondary namenode请求执行checkpoint。

 

      c) namenode滚动正在写的edits日志

 

      d) 将滚动前的编辑日志和镜像文件拷贝到secondary namenode。

 

      e) secondary namenode加载编辑日志和镜像文件到内存,并合并。

 

      f) 生成新的镜像文件fsimage.chkpoint。

 

      g) 拷贝fsimage.chkpointnamenode

 

      h) namenodefsimage.chkpoint重新命名成fsimage。

 

nn2nn工作机制详解:

fsimagenamenode内存中元数据序列化后形成的文件。

edits:记录客户端更新元数据信息的每一步操作(可通过edits运算出元数据)。

namenode启动时,先滚动edits并生成一个空的edits.inprogress,然后加载edits(归档后的)和fsimage(最新的)到内存中,此时namenode内存就持有最新的元数据信息。client开始对namenode发送元数据的增删改查的请求,这些请求的操作首先会被记录在edits.inprogress中(查询元数据的操作不会被记录在edits中,因为查询操作不会更改元数据信息),如果此时namenode挂掉,重启后会从edits中读取元数据的信息。然后,namenode会在内存中执行元数据的增删改查的操作。

由于edits中记录的操作会越来越多,edits文件会越来越大,导致namenode在启动加载edits时会很慢,所以需要对editsfsimage进行合并(所谓合并,就是将editsfsimage加载到内存中,照着edits中的操作一步步执行,最终形成新的fsimage)。secondarynamenode:帮助namenode进行editsfsimage的合并工作。

secondarynamenode首先会询问namenode是否需要checkpoint(触发checkpoint需要满足两个条件中的任意一个,定时时间到和edits中数据写满了)直接带回namenode是否检查结果。secondarynamenode执行checkpoint操作,首先会让namenode滚动edits并生成一个空的edits.inprogress,滚动edits的目的是给edits打个标记,以后所有新的操作都写入edits.inprogress,其他未合并的editsfsimage会拷贝到secondarynamenode的本地,然后将拷贝的editsfsimage加载到内存中进行合并,生成fsimage.chkpoint,然后将fsimage.chkpoint拷贝给namenode,重命名为fsimage后替换掉原来的fsimagenamenode在启动时就只需要加载之前未合并的editsfsimage即可,因为合并过的edits中的元数据信息已经被记录在fsimage中。

 

 

六、dataname工作机制

            Hadoop入门之hdfs

 

 

 

    (1) 一个数据块在datanode上以文件形式存储在磁盘上,包括两个文件,一个是数据本身,一个是元数据包括数据块的长度,块数据校验和,以及时间戳

    (2) datanode启动后向namenode注册,通过后,周期性(1小时namenode上报所有的块信息。

    (3) 心跳是每3一次,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。

 

 

今天的hdfs的分享就到这里了,下次会分享mapreduce和yarn的知识。每天进步一点点,大家一起加油。