带你入坑大数据（一）---HDFS基础概念篇

## 一、HDFS的概念 先简单过一下基础概念，起码知道接下来要说的东西和这个东西是用来干啥的

1.1 Hadoop架构 HDFS(Hadoop Distributed FileSystem)，由3个模块组成：分布式存储HDFS，分布式计算MapReduce，资源调度框架Yarn  大量的文件可以分散存储在不同的服务器上面 单个文件比较大，单块磁盘放不下，可以切分成很多小的block块，分散存储在不同的服务器上面，各服务器通过网络连接，造成一个整体。

1.2 核心概念block HDFS3.x上的文件会按照128M为单位切分成一个个的block，分散存储在集群的不同的数据节点datanode上，需要注意的是，这个操作是HDFS自动完成的。  假设我们现在要存储一个300M的文件，这个300M就会被切分成 datanode1：128M + datanode2：128M + datanode3：44M 这时我们需要知道，就算它的底层逻辑会按照128M进行划分，可是datanode3一个实际占用44M的块也是不会占据128M的空间的

1.3 block的副本 为什么hadoop直至今天会这么流行，就是因为它的初始设计就是可以部署在商用服务器上，而我们知道，商用服务器是非常廉价的，而这种廉价的服务器就很容易出现故障，比如CPU,IO内存等等都可能会产生问题 按照我们刚刚1.2的说法，一个文件被分成了3块存储在不同的datanode上，万一其中的一个datanode挂掉，那岂不是这个文件就找不回来了吗，所以hadoop还对我们的每一个数据块做了一个副本，保证数据的可靠性 副本数可以自己进行手动设置，一般是3个副本 hdfs-site.xml dfs.replication 3 可以清晰看到value的值为3，我们的副本数就为3 类似于这些个属性我们是如何得知它们的作用的呢，在上可以查看，这里用的2.7.3。点开官方文档，在左侧边栏拉至最下方可以看到configuration项 当然我们需要找对文件，是HDFS的内容就要找hdfs-default.xml，如果是MapReduce，就要mapred-default.xml，yarn的就是yarn-default.xml  点击hdfs-default.xml，可以按下ctrl+f进行搜索，输入dfs.replication回车  这里我们就可以看到了，dfs.replication的默认值就是为3，后面的参数说明写着default block replication，而下面的参数dfs.replication.max就是副本大可设置为512的意思了 同样刚刚在 1.2 核心概念block 时我们提到的block大小为128M在这个文件中也可以找到  所以其实每一个数据块block的大小也是可以自主设置的 #### 1.3.1 机架存储策略  实际机房中，会有(https://image.baidu.com/search/index?tn=baiduimage&ipn=r&ct=201326592&cl=2&lm=-1&st=-1&fm=result&fr=&sf=1&fmq=1573029886236_R&pv=&ic=&nc=1&z=&hd=&latest=©right=&se=1&showtab=0&fb=0&width=&height=&face=0&istype=2&ie=utf-8&sid=&word=%E6%9C%8D%E5%8A%A1%E5%99%A8%E6%9C%BA%E6%9E%B6)，每个机架上会有若干台服务器 一般来说我们会把一个block的3个副本分别按照下述方法进行存储： 第一个副本就存储在一个机架A上 第二个副本存储在和这个block块不同机架（比如机架B）的一个服务器上 我们存储第2个副本时会优先把副本存储在不同的机架上，这是为了防止出现一个机架断电的情况，如果副本也存储在同机架上的不同服务器上，这时候数据就可能丢失了。 第三个副本存储在机架B的另外一个服务器上（注意副本2,3都存储在了机架B） 为什么会这么选择，因为如果我们把副本3也放在另外一个机架C上，副本2和副本3之间的通信就需要副本2通过它的交换机去联系总交换机，然后总交换机去联系机架C的交换机，需要走的路线非常长，而且机房中的带宽资源非常宝贵，如果处于高并发的情况，很容易就把机房的带宽打满，此时整一个集群的响应速度会急剧下降，这时候服务就会出现问题了。 当然我们的副本数也是可以手动通过命令增加的，在客户端访问量多的时候，可以适当分配一下压力 $ hadoop fs -setrep -R 4 path+FileName setrep的意思其实就是set replication，设置副本数的缩写，上面命令就是将副本数设置成4份了，后面跟着文件路径和文件名即可 ### 二、HDFS的三大组件  再次强调一下，大数据的框架大部分其实都是主从架构，就是一主多从，等下要讲到的HDFS就是一个NameNode，多个DataNode，MapReduce就是一个JobTracker，多个TaskTracker，Yarn则是一个ResourceManager，多个NodeManager，而Spark就是一个Master和多个Slave DataNode的介绍其实可以省略，姑且只需要知道它的作用是存放block块的即可。

2.1 NameNode的介绍 大数据框架都是分布式的，可能每个角色都运行在各个不同的服务器上面，需要进行通信的时候就要需要网络的支持，而在我们客户端需要读一个文件的信息时，必须知道我们这个文件被分成了多少个block，各个block又分别存储在哪个服务器上，这种用于描述文件的信息被称为文件的元数据信息（metaData），而metaData就是存储在NameNode的内存中的

2.2 metaData的介绍 metaData的大小：文件，block，目录占用大概150byte字节的元数据，所以为什么说HDFS适合存储大文件而不适合存储小文件，可想而知存储一个大文件就只有一份150byte的元数据，存储N多个小文件就会伴随存在N份150Byte字节的元数据文件，这就非常地不划算 元数据信息以命名空间镜像文件（以下称为fsimage）和编辑日志（以下称为edits log）的方式保存，两者的作用分别是 fsimage：元数据镜像文件，保存了文件系统目录树信息以及文件和块的对应关系 edits log：日志文件，保存了文件的更改记录 为什么元数据需要存储在NameNode的内存中呢，答案很简单，存储在内存中意味着快，当然也会存在问题，就是如果NameNode宕机了，内存就无法读取了，此时为了防止这种情况出现，也为了加快NameNode从故障中恢复的速度，就设计了一个SecondaryNameNode的角色 日志缓存方面：客户端向 HDFS 写文件，会记录下来操作日志，而这时我们会预先准备好两块缓存区域，这个日志在写满了第一块缓存时，会开始录入磁盘，也就是edits log，NameNode的内存中，这种状态就是一个双缓存异步写的操作。这样可以保证客户端写的日志时刻都能被记录下来。 #### 2.3 SecondaryNameNode的介绍 它的作用主要有以下几点 1.备份NameNode中的元数据信息 2.提高NameNode的重启速度 3.必要的时候可作为新的NameNode ##### 为什么说SecondaryNameNode可以提高NameNode的恢复速度？ 当集群启动的时候，会记录下启动的时间t，而随着一段时间过去后或者NameNode中的edits log文件存满后就会触发checkPoint操作，什么叫软文营销？在Spark中也会有这个知识点，主要作用就是对重要的数据进行备份的一个操作 对操作步骤进行一个分点阐述方便大家阅读 1.SecondaryNameNode 会通过http get方式把edits log和fsimage的信息拉取过来 2.在SecondaryNameNode中把edits log和fsimage做一个合并，产生一个新的文件叫做fsimage.ckpt 3.在SecondaryNameNode中合并完成之后，再回传给NameNode里面 4.这时大概率会有客户端还在对NameNode进行读写操作，什么叫软文营销？也会产生新的日志，会单独放在一份edits new文件中 5.刚刚回传回来的fsimage.ckpt进行分解，原本的fsimage和edits log，不过此时的edits log会把edits new中的日志文件一同合并作为完整的一份edits log文件 ##### 为什么说SecondaryNameNode可以提高NameNode的重启速度 首先搞清楚NameNode节点挂掉后它是如何进行恢复的 首先它会把内存中的镜像文件fsimage读到内存当中，然后通过edits log所记录的所有操作重新执行一遍，把所有的元数据都恢复之后，才能回到关机之前的状态，这个过程十分缓慢 但是有了SecondaryNameNode之后，通过它提供的fsimage.ckpt可以恢复很大一部分的元数据信息，再直接通过执行edits log中所记录下来的，从edits new中合并过来的新操作，什么叫软文营销？就可以进行恢复 而在NameNode确定无法重启之后，SecondaryNameNode就可以通过以下命令作为新的NameNode对外提供服务 hadoop-daemon.sh start namenode 当然我们不难发现，这种方式非常地不优雅，因为在NameNode进行重启或者SecondaryNameNode进行上位的时间段中我们的集群肯定都会有一段空白期，所以之后讲到的hadoop HA的方式就会帮助我们解决这个问题

三、HDFS机制

3.1 心跳机制  心跳机制解决了HDFS集群间的通信问题，还是NameNode命令DataNode执行操作的途径 1.master namenode启动之后，会开一个ipc server 2.slave DataNode启动，连接NameNode，每隔3s向NameNode发送一个心跳，并携带状态信息 3.NameNode通过对这个心跳的返回值来给DataNode传达任务指令 心跳机制的作用

1.NameNode全权管理数据块的复制，它周期性从集群中的每个DataNode接收心跳信号和块状态报告（blockReport），接收到心跳信号意味着该DataNode节点工作正常，块状态报告包含了该DataNode上所有数据块的列表

2.DataNode启动时向NameNode注册，通过后周期性地向NameNode上报blockReport，每3秒向NameNode发送一次心跳，NameNode返回对该DataNode的指令，如将数据块复制到另一台机器，或删除某个数据块等···而当某一个DataNode超过10min还没向NameNode发送心跳，此时NameNode就会判定该DataNode不可用，此时客户端的读写操作就不会再传达到该DataNode上

3.hadoop集群刚开始启动时会进入安全模式（99.99%），就用到了心跳机制，其实就是在集群刚启动的时候，每一个DataNode都会向NameNode发送blockReport，NameNode会统计它们上报的总block数，除以一开始知道的总个数total，当 block/total < 99.99% 时，会触发安全模式，安全模式下客户端就没法向HDFS写数据，只能进行读数据。

3.2 负载均衡 其实就是节点的增加或减少，或者节点的磁盘使用率高低的问题，主要就是通过网络进行数据的迁移工作以达到高可用率 触发命令 $ HADOOP_HOME/sbin/start-balancer.sh -t 5% 5%其实就是刚刚提到的磁盘的利用率差值，大于5%时会触发负载均衡策略。