Hadoop学习——HDFS数据存储和删除

HDFS中的数据都是分块存储的，默认块大小为64M，这个值可以从hdfs配置文件中更改dfs.blocksize。这样分快处理的好处是可以增加读取数据的吞吐量，因为可以同时从读取文件的不同分块。

一、数据写入

在客户端想HDFS写数据的过程中，主要分为下面几个过程：

1. 客户端将数据缓存到本地的一个临时文件中；
2. 当这个本地的临时文件到达HDFS中的块大小限制时，客户端访问Namenode，Namenode将文件的名字插入到HDFS命名空间中，并且为其分配相应的存储位置；
3. Namenode与分配好的Datanode进行沟通，确定存储位置可用，然后将这些存储位置信息返回给客户端；
4. 客户端将本地的临时文件传输到Datanode中；
5. 当写文件结束，临时文件关闭时，会将已有的临时数据传输到Datanode中，并告知Namenode写数据完成；
6. Namenode将该文件改变为持久的一致性状态，也就事将该操作记录到日志EditLog中。如果此时Namenode宕掉，那么文件信息丢失。

上面的过程主要特点是写入数据先缓存到本地，在达到块大小限制时才与Datanode通信进行传输。这样的好处在于避免在客户写数据的过程中持续占用网络带宽，这对于处理多用户大量数据的写入是非常关键的。

二、数据备份

数据的写入同时伴随这数据块的备份，过程如下：

1. 在客户端临时数据达到一个块时，与Namenode通信，得到一组Datanode地址，这些Datanode就是用来存储该数据块的；
2. 客户端首先将该数据块发送到一个Datanode上，Datanode在接受时是以4kb为单位进行，我们把这些小单位称为缓存页（参考了Linux管道文件的说法）；
3. 对于第一个接到数据的Datanode，它把缓存页中的数据写入自己的文件系统，另一方面，它又将这些缓存页传送给下一个Datanode；
4. 重复3的过程，第二个Datanode又将缓存页存储在本地文件系统，同时将它传送给第三个Datanode；
5. 如果HDFS中的备份数目设置为3，那么第三个Datanode就只需要将缓存页存储即可。

上面的过程中，数据块从客户端流向第一个Datanode，然后再流向第二个，从第二个再到第三个，整个是一个流水线过程，中间不会有停顿。所以HDFS将它称为Replication Pipelining。

为什么不采取客户端同时向多个Datanode写数据的方法呢？其实从Pipelining这个称呼上就可以猜到，客户端和Datanode采用的缓存文件都是管道文件，即只支持一次读取。

三、 数据删除

HDFS中的数据删除也是比较有特点的，并不是直接删除，而是先放在一个类似回收站的地方（/trash），可供恢复。

对于用户或者应用程序想要删除的文件，HDFS会将它重命名并移动到/trash中，当过了一定的生命期限以后，HDFS才会将它从文件系统中删除，并由Namenode修改相关的元数据信息。并且只有到这个时候，Datanode上相关的磁盘空间才能节省出来，也就是说，当用户要求删除某个文件以后，并不能马上看出HDFS存储空间的增加，得等到一定的时间周期以后（现在默认为6小时）。

对于备份数据，有时候也会需要删除，比如用户根据需要下调了Replicaion的个数，那么多余的数据备份就会在下次Beatheart联系中完成删除，对于接受到删除操作的Datanode来说，它要删除的备份块也是先放入/trash中，然后过一定时间后才删除。因此在磁盘空间的查看上，也会有一定的延时。

那么如何立即彻底删除文件呢，可以利用HDFS提供的Shell命令：bin/hadoop dfs expunge清空/trash。

关于HDFS打开、读取、写入文件的操作，觉先博文 Hadoop学习总结之二：HDFS读写过程解析 给出了很好的说明，可供参考。

上面写的内容，基本上是来自HDFS官方文档，然后稍微加上一些自己的看法，很多地方也没有从Hadoop源码中去求证。如果有不对的地方，还请高手指正，不胜感激！