带你快速了解Hadoop之HDFS(一)

Hadoop-HDFS

Hadoop历史

Hadoop进化史

Hadoop官网

http://hadoop.apache.org/

• Hadoop Common 基础型功能
• Hadoop Distributed File System 负责存放数据
• Hadoop YARN 负责资源的调配
• Hadoop MapReduce 大数据的计算框架
• Hadoop Ozone 数据存放到仓库
• Hadoop Submarine 机器学习引擎

分布式文件系统架构

• FS File System
  • 文件系统是基于硬盘之上的一个文件管理系统的工具
  • 我们用户操作文件系统可以和硬盘进行解耦
• DFS Distributed FileSyetem
  • 分布式文件系统
  • 管理网络中跨多台计算机存储的文件系统称为分布式文件系统
  • 将我们的数据存放在多台电脑上存储
  • 分布式文件系统有很多,HDFS(Hadoop Distributed FileSyetem)是Hadoop自带的分布式文件系统
  • HDFS是Map Reduce计算的基础

文件切分思想

• 文件存放在一个磁盘上存在的问题
  • 读取效率低
  • 如果文件特别大会超出单机的存储范围
• 数据存储的原理
  • 不管文件的大小,所有的文件都是由字节数组构成
  • 如果我们要切分文件,就是将一个字节数组分成多份
  • 我们将切分后的数据拼接到一起,数据还可以继续使用
  • 我们需要根据数据的偏移量将他们重新拼接到一起
• 字节数组
  • 文件在磁盘真实存储文件的抽象概念
  • 数组可以进行拆分和组装,源文件不会收到影响
• 切分数据
  • 对字节数组进行切分
• 拼接数据
  • 按照数组的偏移量将数据连接到一起,也就是将字节数组连接到一起
• 偏移量
  • 当前数据在数组中的相对位置,可以理解为下标
  • 数组都有对应的索引,可以快速定位数据

Block(块)拆分标准

• 数据块Block

  • 磁盘进行数据 读/写的最小单位
  • 在Hadoop 1默认大小为64M,在Hadoop 2及其之后默认大小为128M
    • 块这么大是为了最小化寻址开销
  • 同一个文件中,每个数据块的大小要一致除了最后一个节点外
    • 不同文件中,块的大小可以不一致
    • 文件大小不同可以设置不同的块的数量
    • HDFS中小于一个块的大小的文件不会占据整个块的空间
  • 真实情况下,会根据文件大小和集群节点的数量综合考虑块的大小
  • 数据块的个数=Ceil(文件大小/每个块的大小)

• 拆分的数据块需要等大

  • 数据计算的时候简化问题的复杂度(否则进行分布式算法设计的时候会因为数据量不一很难设计)
  • 数据拉取的时候时间相对一致
  • 通过偏移量就知道这个块的位置
  • 相同文件分成的数据块大小应该相等

• 注意事项

  • 只要有任意一个块丢失,整个数据文件被损坏
  • HDFS中一旦文件被存储,数据不允许被修改
    • 修改会影响偏移量
    • 修改会导致数据倾斜
    • 修改数据会导致蝴蝶效应
  • 但是可以被追加(一般不推荐)
    • 追加设置需要手动打开
  • 一般HDFS存储的都是历史数据.所以将来Map Reduce都用来进行离线数据的处理
  • 块的大小一旦文件上传之后就不允许被修改
    • 128M-512M

Block数据安全

• 只要有任意一个块丢失,整个数据文件被损坏
• 肯定要对存储数据做备份
• HDFS是直接对原始数据进行备份的,这样能保证回复效率和读取效率
• 备份的数据肯定不能存放在一个节点上,使用数据的时候可以就近获取数据
• 备份的数量要小于等于节点的数量
• 每个数据块默认会有三个副本,相同副本是不会存放在同一个节点上
• 副本的数量可以变更
  • 可能近期数据被分析的可能性很大,副本数可以多设置几个
  • 后期数据很少被分析,可以减少副本数

Block的管理效率

• 需要专门给节点进行分工
  • 存储 DataNode
  • 记录 NameNode
  • 日志 Secondary NameNode
    

    准备安装环境

    修改集群环境

    修改配置文件

    拷贝软件到其他主机

    将配置好的软件发到其他两台主机

    修改环境变量

    • 三台主机都需要修改

    • 重新加载三台主机的环境变量

    格式化NameNode

    • 启动

    测试集群

    • 访问 node01替换成IP地址

    • 如果出以下下页面代表成功
      

      

  • 文件数据

    • 文件的真实数据,文件真正存放的内容,这个数据就是存储在硬盘上的二进制数据

  NameNode

  

DataNode

功能

• 存放的是文件的数据信息和验证文件完整性的校验信息
  • 数据会存放在硬盘上
  • 1m=1条元数据;1G=1条元数据
  • NameNode非常排斥存储小文件,一般小文件在存储之前需要进行压缩
• 汇报
  • 启动时
    • 汇报之前先验证Block文件是否被损坏
    • 向NameNode汇报当前DataNode上Block的信息
  • 运行中
    • 向NameNode保持心跳机制
    • 客户可以向DataNode读写数据
• 当客户端读写数据的时候,首先去NameNode查询file与Block与DataNode的映射
  • 然后客户端直接与DataNode建立连接,然后读写数据

来源：悉贝