Hadoop基本介绍
- hadoop 的组成部分
- HDFS
- 辅助管理者:SecondaryNameNode
- 工作者:DataNode
- MapReduce
- Yarn
- HDFS 副本存放机制
- 第一份
- 第二份
- 第三个
- Namenode作用
- DataNode作用
- RPC remote procedure call
- HDFS数据写入流程(重点)
- HDFS数据读取流程(重点)
- HDFS数据完整性
- HDFS适用场景
hadoop 的组成部分
HDFS
管理者:NameNode
作用:负责管理,管理集群内各个节点。
负责管理整个文件系统的元数据(指的是数据的存放位置或存放路径)或名字空间
辅助管理者:SecondaryNameNode
作用:责辅助NameNode管理工作。
工作者:DataNode
作用:负责工作,进行读写数据。 周期向NameNode汇报。
负责管理用户的文件数据块(一个大的数据拆分成多个小的数据块)
MapReduce
Yarn
管理者:ResourceManager
工作者:NodeManager
HDFS 副本存放机制
第一份
数据来源于客户端
第二份
存放的位置是与第一个副本在相同机架上,且不在同一个节点,按照一定的规则(cpu 内存 IO是用率,和硬盘剩余容量)找到一个节点存放
第三个
副本的存放位置是与第一第二份数据副本不在同一个机架上,且逻辑与存放副本1和2的机架距离最近的机上
按照一定的规则(cpu 内存 IO是用率,和硬盘剩余容量)找到一个节点进行存放
Namenode作用
- 1、维护 管理文件系统的名字空间(元数据信息)
- 2、负责确定指定的文件块到具体的Datanode结点的映射关系。
- 3、维护管理 DataNode上报的心跳信息
DataNode作用
- 1、执行数据的读写(响应的是客户端)
- 2、周期性向NameNode做汇报(数据块的信息、校验和) 若datanode10分钟没有向NameNode做汇报,表示已丢失(已宕机) 心跳周期 3秒
- 3、执行流水线的复制(一点一点复制)
RPC remote procedure call
RPC 指的是 远程过程调用。是集群中多个组件、多个模块进行数据通信的一
种方式。
HDFS数据写入流程(重点)
- 1、 client发起文件上传请求,通过RPC与NameNode建立通讯,NameNode检查目标文件是否已存在,父目录是否
存在,返回是否可以上传; - 2、 client请求第一个block该传输到哪些DataNode服务器上;
- 3、 NameNode根据配置文件中指定的备份数量及机架感知原理进行文件分配,返回可用的DataNode的地址如:A,B,C;
- 4、 client请求3台DataNode中的一台A上传数据(本质上是一个RPC调用,建立pipeline),A收到请求会继续调用
B,然后B调用C,将整个pipeline建立完成,后逐级返回client; - 5、 client开始往A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(默认64K),A
收到一个packet就会传给B,B传给C;A每传一个packet会放入一个应答队列等待应答。 - 6、 数据被分割成一个个packet数据包在pipeline上依次传输,在pipeline反方向上,逐个发送ack(命令正确应
答),最终由pipeline中第一个DataNode节点A将pipelineack发送给client; - 7、关闭写入流。
- 8、 当一个block传输完成之后,client再次请求NameNode上传第二个block到服务器。
HDFS数据读取流程(重点)
- 1、客户端通过调用FileSystem对象的open()来读取希望打开的文件。
- 2、 Client向NameNode发起RPC请求,来确定请求文件block所在的位置;
- 3、 NameNode会视情况返回文件的部分或者全部block列表,对于每个block,NameNode 都会返回含有该 block副本的 DataNode 地址; 这些返回的 DN 地址,会按照集群拓扑结构得出 DataNode 与客户端的距离,然后进行排序,排序两个规则:网络拓扑结构中距离 Client 近的排靠前;心跳机制中超时汇报的 DN 状态为 STALE,这样的排靠后;
- 4、 Client 选取排序靠前的 DataNode 来读取 block,如果客户端本身就是DataNode,那么将从本地直接获取数据(短
路读取特性); - 5、 底层上本质是建立 Socket Stream(FSDataInputStream),重复的调用父类 DataInputStream 的 read 方法,
直到这个块上的数据读取完毕; - 6、并行读取,若失败重新读取
- 7、 当读完列表的 block 后,若文件读取还没有结束,客户端会继续向NameNode 获取下一批的 block 列表;
- 8、返回后续block列表
- 9、 最终关闭读流,并将读取来所有的 block 会合并成一个完整的最终文件。
HDFS数据完整性
- 数据在写入之后进行校验和的计算,DataNode周期性进行校验和计算,将计算结果与第一次的结果进行对比。
- 若相同表示无数据丢失,若不相同表示数据有丢失,丢失进行数据恢复。
数据读取之前对数据进行校验,与第一次的结果进行对比。若相同表示数据没有丢失,可以读取。若不相同表示数据有所丢失。到其他副本读取。
HDFS适用场景
一次写入,多次读出的场景。支持数据在文件尾追加。不支持在文件中间追加或修改。