Hadoop基本知识点之HDFS

字数 696阅读 707

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

  1. 接受客户端的读写要求
  2. 收集DataNode汇报的Block列表信息

4.3 NameNode保存Metadata主要信息

  1. 文件Owership和pemissions
  2. 文件大小和时间
  3. Block列表(offset等)
  4. Block每个副本的位置(由DataNode上报)

5. DataNode

  1. 本地磁盘目录存储数据(Block),文件形式
  2. 同时存储Block的元数据信息
  3. 启动datanode时,会向namenode汇报block信息
  4. 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

  1. 高容错性

     * 数据自动保存多个副本
     * 副本丢失后,自动恢复
    
  2. 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
    
  3. 适合大数据处理

     * GB TB 甚至PB级数据
     * 百万规模以上的
    
  4. 可构建在廉价的机器上

7.HDFS缺点

  1. 无法进行低延迟数据访问

     * 比如毫秒级
     * 低延迟与高吞吐率
    
  2. 小文件存取

     * 占用NameNode大量内存
     * 寻道时间超过读取时间
    
  3. 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

  1. 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
  2. 第二个副本:放置在第一个副本不同的机架的节点上
  3. 第三个副本:与第二个副本相同的机架的节点
  4. 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

  1. 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
  2. 云计算:分布式计算,分布在不懂服务器中的计算
  3. 设计原则:移动计算,而不是移动数据
  4. 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)

推荐阅读更多精彩内容