浅谈HDFS架构
1、HDFS
HDFS(Hadoop Distributed File System)是Hadoop项目的核心子项目,是分布式计算中数据存储管理的基础,是基于流数据模式访问和处理超大文件的需求而开发的,可以运行于廉价的商用服务器上。它所具有的高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征为海量数据提供了不怕故障的存储,为超大数据集(Large Data Set)的应用处理带来了很多便利。
2、HDFS
HDFS 源于 Google 在2003年10月份发表的GFS(Google File System) 论文。
3、HDFS的优缺点
优点:
1、高容错性
数据自动保存多个副本。它通过增加副本的形式,提高容错性。
某一个副本丢失以后,它可以自动恢复,这是由 HDFS 内部机制实现的,我们不必关心。
2、适合批处理
它是通过移动计算而不是移动数据。
它会把数据位置暴露给计算框架。
3、适合大数据处理
处理数据达到 GB、TB、甚至PB级别的数据。
能够处理百万规模以上的文件数量,数量相当之大。
能够处理10K节点的规模。
4、流式文件访问
简化一致性模型,实现一次写入,多次读取。文件一旦写入不能修改,只能追加。
它能保证数据的一致性。
5、可构建在廉价机器上
它通过多副本机制,提高可靠性。
它提供了容错和恢复机制。比如某一个副本丢失,可以通过其它副本来恢复。
缺点:
1、低延时数据访问
* 比如毫秒级的来存储数据,这是不行的,它做不到。
* 它适合高吞吐率的场景,就是在某一时间内写入大量的数据。但是 它在低延时的情况下是不行的,比如毫秒级以内读取数据,这样它 是很难做到的。
2、小文件存储
*存储大量小文件(这里的小文件是指小于HDFS系统的Block大小的文 件(默认64M))的话,它会占用 NameNode大量的内存来存储文 件、目录和块信息。这样是不可取的,因为NameNode的内存总是有 限的。
*小文件存储的寻道时间会超过读取时间,它违反了HDFS的设计目 标。
3、并发写入、文件随机修改
*一个文件只能有一个写,不允许多个线程同时写。
*仅支持数据 append(追加),不支持文件的随机修改。
hdfs的特性:
* 高容错,可扩展性及可配置性强
* 跨平台
* shell命令接口
* 机架感知功能
* 负载均衡
Web界面
4.HDFS存储数据
HDFS 采用Master/Slave的架构来存储数据,这种架构主要由HDFS Client、NameNode、DataNode和Secondary NameNode四个部分组成。
1、Client:就是客户端。
文件切分。文件上传 HDFS 的时候,Client 将文件切分成 一个一个的Block,然后进行存储。
与 NameNode 交互,获取文件的位置信息。
与 DataNode 交互,读取或者写入数据。
Client 提供一些命令来管理 HDFS,比如启动或者关闭HDFS。
Client 可以通过一些命令来访问 HDFS。
2、NameNode:就是 master,它是一个主管、管理者。
管理 HDFS 的名称空间
管理数据块(Block)映射信息
配置副本策略
处理客户端读写请求。
3、DataNode:就是Slave。NameNode 下达命令,DataNode 执行实际的操作。
存储实际的数据块。
执行数据块的读/写操作。
4、Secondary NameNode: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。
辅助 NameNode,分担其工作量。
定期合并 fsimage和fsedits,并推送给NameNode。
在紧急情况下,可辅助恢复 NameNode。
工作流程:
secondarynamenode通知namenode切换edits文件
secondarynamenode从namenode获得fsimage和edits(通过http)
secondarynamenode将fsimage载入内存,然后开始合并edits
secondarynamenode将新的fsimage发回给namenode
namenode用新的fsimage替换旧的fsimage
5.数据损坏处理
* 当DN(DataNode)读取block的时候,它会计算checksum;
* 如果计算后的checksum,与block创建时值不一样,说明该block已经损坏。
* client读取其它DN上的block;NN(NameNode)标记该块已经损坏,然后复制block达到预期设置的文件备份数;
* DN在其文件创建后三周验证其checksum。
关注大数据and机器学习公众号,一起开创未来。
CLbigdata