Hadoop HDFS概述

前言

在现代的企业环境中，单机容量往往无法存储大量数据，需要跨机器存储。统一管理分布在集群上的文件系统称为分布式文件系统。
HDFS，是Hadoop Distributed File System的简称，是Hadoop抽象文件系统的一种实现。Hadoop抽象文件系统可以与本地系统、Amazon S3等文件系统集成。HDFS的文件分布在集群机器上，同时提供副本进行容错及可靠性保证。

HDFS设计原则

简单的一致性模型:HDFS应用需要一个“一次写入多次读取”的文件访问模型。一个文件经过创建、写入和关闭之后就不需要改变。这一假设简化了数据一致性问题，并且使高吞吐量的数据访问成为可能

• 存储非常大的文件：这里非常大指的是几百M、G、或者TB级别。实际应用中已有很多集群存储的数据达到PB级别。
• 采用流式的数据访问方式: 最有效的数据处理模式是一次写入、多次读取数据集。从数据源生成或者拷贝一次，然后在其上做很多分析工作 。
• 硬件错误检测和快速恢复:HDFS可能是由成百上千的服务器构成的，每个服务器上存储着文件系统的部分数据，构成系统的组件数目也是巨大的，任意一个组件都有失效的可能，总有一部分HDFS组件不工作。

HDFS不适合的应用类型

• 低延时的数据访问：对延时要求在毫秒级别的应用，不适合采用HDFS。
• 大量小文件 :文件的元数据（如目录结构，文件block的节点列表，block-node mapping）保存在NameNode的内存中， 整个文件系统的文件数量会受限于NameNode的内存大小。
• 多方读写，需要任意的文件修改.HDFS采用追加（append-only）的方式写入数据。不支持文件任意offset的修改。不支持多个写入器（writer）.

HDFS的安装

可参考《使用docker安装hadoop2.7.7》或者《hadoop集群环境搭建》

HDFS架构

HDFS是一个主从体系结构，它由四部分组成，分别是HDFS Client、NameNode、DataNode以及Seconary NameNode.

• HDFS集群是由一个Namenode和一定数目的Datanodes组成。
• Namenode执行文件系统的名字空间操作，比如打开、关闭、重命名文件或目录。它也负责确定数据块到具体Datanode节点的映射。
• Datanode负责处理文件系统客户端的读写请求。在Namenode的统一调度下进行数据块的创建、删除和复制。

Client写的过程

• 客户端会对文件进行切分，分成一个个block。
• 通过与NameNode进行交互确定文件的位置信息
• 通过与DataNode进行交互写入数据

Client读的过程

• 客户端使用文件系统的名字空间通过NameNode确定文件对就的位置信息
• 通过与DataNode进行交互读数据
• 客户端会对block进行组装

Blocks

1. 物理磁盘中有块的概念，磁盘的物理Block是磁盘操作最小的单元，读写操作均以Block为最小单元，一般为512 Byte。
2. 文件系统在物理Block之上抽象了另一层概念，文件系统Block物理磁盘Block的整数倍。通常为几KB。
3. HDFS的Block块比一般单机文件系统大得多，默认为128M

Block抽象的好处

block的拆分使得单个文件大小可以大于整个磁盘的容量，构成文件的Block可以分布在整个集群

block的大小设置原理

• 文件块越大，寻址时间越短，但磁盘传输时间越长；
• 文件块越小，寻址时间越长，但磁盘传输时间越短。

为什么HDFS中块（block）不能设置太大，也不能设置太小

如果块设置过大？

1. 从磁盘传输数据的时间会明显大于寻址时间，导致程序在处理这块数据时，变得非常慢；
2. mapreduce中的map任务通常一次只处理一个块中的数据，如果块过大运行速度也会很慢

如果块设置过小

1. 存放大量小文件会占用NameNode中大量内存来存储元数据，而NameNode的内存是有限的，不可取；
2. 文件块过小，寻址时间增大，导致程序一直在找block的开始位置。

HDFS中块（block）的大小为什么设置为128M？

1. HDFS中平均寻址时间大概为10ms；
2. 经过前人的大量测试发现，寻址时间为传输时间的1%时，为最佳状态；所以最佳传输时间为10ms/0.01=1000ms=1s
3. 目前磁盘的传输速率普遍为100MB/s；计算出最佳block大小：100MB/s x 1s = 100MB，所以我们设定block大小为128MB。

Packet

Packet是Client端向Dataode，或者DataNode的PipLine之间传输数据的基本单位，默认64kB.

Chunk

Chunk是最小的Hadoop中最小的单位，是Client向DataNode或DataNode的PipLne之间进行数据校验的基本单位，默认512Byte,因为用作校验(自己校验自己)，故每个chunk需要带有4Byte的校验位。
所以世纪每个chunk写入packet的大小为526Byte，真实数据与校验值数据的比值为128:1。

Namenode

NameNode主要是用来保存HDFS的元数据信息，比如命名空间信息，块信息等等。当它运行的时候，这些信息是存在内存中的。但是这些信息也可以持久化到磁盘上：

• fsimage：它是NameNode启动时对整个文件系统的快照。
• edits：它是在NameNode启动后，对文件系统的改动序列（即日志）。

NameNode目录结构

运行中的NameNode有如下所示的目录结构：

• VERSION文件 ：是一个Java属性文件，其中包含正在运行的HDFS的版本信息。该文件一般包含以下内容：

# 文件系统命名空间的唯一标识符，是在NameNode首次格式化时创建的。
namespaceID=1342387246
# 在HDFS集群上作为一个整体赋予的唯一标识符
clusterID=CID-01b5c398-959c-4ea8-aae6-1e0d9bd8b142
# 标记了NameNode存储系统的创建时间。刚格式化的存储系统，值为0，但升级后，该值会更新到新的时间戳
cTime=0
# 该存储目录包含的时NameNode的数据结构
storageType=NAME_NODE
# 数据块池的唯一标识符，数据块池中包含了由一个NameNode管理的命名空间中的所有文件
blockpoolID=BP-526805057-127.0.0.1-1411980876842
# 这是一个负整数，描述HDFS持久性数据结构（也称布局）的版本，但是该版本号与Hadoop发布包的版本号无关。只要布局变更，版本号将会递减，此时HDFS也要升级。否则，新版本的NameNode（或DataNode）就无法正常工作。
layoutVersion=-57

• seen_txid文件 ：该文件对于NameNode非常重要，它是存放transactionId的文件，format之后是0，它代表的是NameNode里面的edits_文件的尾数，NameNode重启的时候，会按照seen_txid的数字，循序从头跑edits_00001~到seen_txid的数字。
• in_use.lock文件 ：是一个锁文件，NameNode使用该文件为存储目录加锁。

在NameNode重启时，edits才会合并到fsimage文件中，从而得到一个文件系统的最新快照。但是在生产环境集群中的NameNode是很少重启的，这意味者当NameNode运行来很长时间后，edits文件会变的很大。在这种情况下就会出现下面这些问题：

1. edits文件会变的很大，如何去管理这个文件？
2. NameNode的重启会花费很长的时间，因为有很多改动要合并到fsimage文件上。
3. 如果NameNode宕掉了，那我们就丢失了很多改动，因为此时的fsimage文件时间戳比较旧。

Secondary Namenode

因此为了克服这个问题，我们需要一个易于管理的机制来帮助我们减小edits文件的大小和得到一个最新的fsimage文件，这样也会减小在NameNode上的压力。而Secondary NameNode就是为了帮助解决上述问题提出的，它的职责是合并NameNode的edits到fsimage文件中。如图所示：

1. 日志文件是滚动的，一个正在写，几个已经写好的滚动；
2. checkpoint时，把正在写的滚动一下，然后把fsimage和日志文件下载到secondarynamenode上，只有第一次才会下载fsimage，这时候不会很大，以后就光下载日志文件，日志文件下载不会很大；
3. 如果namenode硬盘损坏，可以将secondarynamenode的元数据拷贝到namenode，但是secondarynamenode虽然有元数据信息，但是只能恢复大部分数据，最新更新的数据可能由于没有来得及下载到secondarynamenode，而无法全部恢复。
4. secondarynamenode虽然有元数据信息但是不能更新元数据，不能充当namenode使用。

Namenode HA

NameNode这很重要，如果发生故障怎么办？Hadoop2.0+可以通过NameNode HA解决单点故障的问题。

1. 一个 NameNode 有单点问题，如果再提供一个 NameNode 作为备份，不是能解决问题？这便是主备模式的思想。
2. 继续这个思路，光有备份的 NameNode 够吗？我们知道 NameNode 上存储的是 HDFS 上所有的元数据信息，因此最关键的问题在于 NameNode 挂了一个，备份的要及时顶上，这就意味着我们要把所有的元数据都同步到备份节点。好，接下来我们考虑如何同步呢？
3. 每次 HDFS 写入一个文件，都要同步写 NameNode 和其备份节点吗？如果备份节点挂了就会写失败？显然不能这样，只能是异步来同步元数据。
4. 如果 NameNode 刚好宕机却没有将元数据异步写入到备份节点呢？那这部分信息岂不是丢失了？这个问题就自然要引入第三方的存储了，在 HA 方案中叫做“共享存储”。每次写文件时，需要将日志同步写入共享存储，这个步骤成功才能认定写文件成功。然后备份节点定期从共享存储同步日志，以便进行主备切换。
   

1. Active NameNode 和 Standby NameNode：两台 NameNode 形成互备，一台处于 Active 状态，为主 NameNode，另外一台处于 Standby 状态，为备 NameNode，只有主 NameNode 才能对外提供读写服务。
2. 主备切换控制器 ZKFailoverController：ZKFailoverController 作为独立的进程运行，对 NameNode 的主备切换进行总体控制。ZKFailoverController 能及时检测到 NameNode 的健康状况，在主 NameNode 故障时借助 Zookeeper 实现自动的主备选举和切换，当然 NameNode 目前也支持不依赖于 Zookeeper 的手动主备切换。
3. Zookeeper 集群：为主备切换控制器提供主备选举支持。
4. 共享存储系统：共享存储系统是实现 NameNode 的高可用最为关键的部分，共享存储系统保存了 NameNode 在运行过程中所产生的 HDFS 的元数据。Active NameNode 和 Standby NameNode 通过共享存储系统实现元数据同步。在进行主备切换的时候，新的主 NameNode 在确认元数据完全同步之后才能继续对外提供服务。

可以看出，这里的核心是共享存储的实现，这些年有很多的 NameNode 共享存储方案，比如 Linux HA, VMware FT, shared NAS+NFS, BookKeeper, QJM/Quorum Journal Manager, BackupNode 等等,目前社区已经把由 Clouderea 公司实现的基于 **QJM（Quorum Journal Manager）**的方案合并到 HDFS 的 trunk 之中并且作为默认的共享存储实现。

QJM

基于 QJM 的共享存储系统主要用于保存 EditLog，并不保存 FSImage 文件。FSImage 文件还是在 NameNode 的本地磁盘上。QJM 共享存储的基本思想来自于 Paxos 算法，采用多个称为 JournalNode 的节点组成的 JournalNode 集群来存储 EditLog。每个 JournalNode 保存同样的 EditLog 副本。每次 NameNode 写 EditLog 的时候，除了向本地磁盘写入 EditLog 之外，也会并行地向 JournalNode 集群之中的每一个 JournalNode 发送写请求，只要大多数 (majority) 的 JournalNode 节点返回成功就认为向 JournalNode 集群写入 EditLog 成功。如果有 2N+1 台 JournalNode，那么根据大多数的原则，最多可以容忍有 N 台 JournalNode 节点挂掉。

HDFS Federation

HDFS HA是热备份，提供高可用性，但是无法解决可扩展性、系统性能和隔离性。HDFS Federation就是使得HDFS支持多个命名空间，并且允许在HDFS中同时存在多个Name Node。

• NameNode提供了命名空间（NameSpace）和块（Block）管理功能。
• HDFS 联邦拥有多个独立的命名空间，每个空间管理属于自己的一组块，这些同组的块构成了“块 池”（Block Pool）。
• 所有的NameNode 会共享底层的数据节点的存储资源。数据节点是一个物理概念，块池则属于逻辑概念。

datanode

在HDFS中,我们真实的数据是由DataNode来负责来存储的，但是数据具体被存储到了哪个DataNode节点等元数据信息则是由我们的NameNode来存储的。

DataNode目录结构

DataNode的关键文件和目录如下所示：

从上图可以看出，dataNode的文件结构主要由blk_前缀文件、BP-random integer-NameNode-IP address-creation time和VERSION构成。

• BP-random integer-NameNode-IP address-creation time ：

  • BP代表BlockPool的，就是Namenode的VERSION中的集群唯一blockpoolID
  • 从上图可以看出我的DataNode是一个BP
  • 一个NameNode管理全部的文件系统命名空间，如果有两个以上的BP，该HDFS是Federation HDFS，所以该目录下有两个BP开头的目录，
  • IP部分和时间戳代表创建该BP的NameNode的IP地址和创建时间戳。

• rbw ：是“replica being written”的意思，该目录用于存储用户当前正在写入的数据。

• blk_前缀文件 ： HDFS中的文件块，存储的是原始文件内容。

• meta文件： 块的元数据信息，每一个块有一个相关联的.meta文件，一个文件块由存储的原始文件字节组成。

• VERSION：记录块的基本信息

# 相对于DataNode来说是唯一的，用于在NameNode处标识DataNode 
storageID=DS-c478e76c-fe1b-44c8-ba45-4e4d6d26654
# 是系统生成或手动指定的集群ID 
clusterID=CID-01b5c398-959c-4ea8-aae6-1e0d9bd8b142
# 表示DataNode存储时间的创建时间 
cTime=0
# 表示DataNode的ID号
datanodeUuid=75ffabf0-813c-4798-9a91-e7b1a26ee6f1
# 将这个目录标志位DataNode数据存储目录
storageType=DATA_NODE
# 是一个负整数，保存了HDFS的持续化在硬盘上的数据结构的格式版本号。
layoutVersion=-57

• in_use.lock : 是一个锁文件，DataNode使用该文件为存储目录加锁

命令

可以通过hdfs fsck 命令来查看一文件的块分部，及检测块的好坏。可参考
《HDFS中的fsck命令(检查数据块是否健康) 》

HDFS异构存储

Hadoop在2.6.0版本中引入了一个新特性异构存储.异构存储可以根据各个存储介质读写特性的不同发挥各自的优势

• 针对冷数据,采用容量大的,读写性能不高的存储介质存储,比如最普通的Disk磁盘.
• 而对于热数据而言,可以采用SSD的方式进行存储,这样就能保证高效的读性能,在速率上甚至能做到十倍于或百倍于普通磁盘读写的速度.

HDFS的异构存储主要支持 RAM_DISK，SSD，DISK，ARCHIVE

• ARCHIVE:高存储密度但耗电较少的存储介质，通常用来存储冷数据。
• DISK:磁盘介质，这是HDFS默认的存储介质。
• SSD:固态硬盘，是一种新型存储介质，目前被不少互联网公司使用。
• RAM_DISK:数据被写入内存中，同时会往该存储介质中再(异步)写一份。

hdfs不会自动识别磁盘，在配置属性dfs.datanode.data.dir中进行本地对应存储目录的设置

<property> 
    <name>dfs.datanode.data.dirname> 
    <value>[DISK]file:///grid/dn/disk, [SSD]file:///grid/dn/ssdvalue> 
property>

上述指南的存储性质，当然hdfs也提供了策略

对应命令

1. 查看所有策略： hdfs storagepolicies -listPolicies
2. 查看yoyo文件的策略： hdfs storagepolicies -getStoragePolicy -path /hdfs/yoyo
3. 设置yoyo文件的策略： storagepolicies -setStoragePolicy -path /hdfs/yoyo -policy ALL_SSD

setStoragePolicy的不会立即生效策略，要通过hdfs mover进行目录扫描，可参考《HDFS异构存储实战》

副本策略

通常来说，HDFS整体的副本冗余策略，是默认保存3个副本的策略。大型 HDFS 实例通常分布运行在由许多机架组成的集群中，一个机房中有很多机架，一个机架上有多个服务器，不同机架的机器通信需要经过交换机，受带宽等因素的影响，需要更高的网络通信成本。

在默认 3 个副本的情况下，HDFS采用如下的放置策略：

• 1st replica. 如果写请求方所在机器是其中一个datanode,则直接存放在本地,否则随机在集群中选择一个datanode.
• 2nd replica. 第二个副本存放于不同第一个副本的所在的机架.
• 3rd replica.第三个副本存放于第二个副本所在的机架,但是属于不同的节点.

如果有更多的副本，则随机选择机架，每个机架的副本数量有个上限值，计算方式通常是：(replicas - 1) / racks + 2

这样放置的好处：

1. 避免一个机架出故障，导致所有数据丢失；
2. 同一个机架上的节点通信网络会比不同机架节点通信更好，副本二与副本三放置在同一个机架能够节省带宽；

从单个文件看来，考虑带宽似乎没有多大意义，但是对于大规模数据的情况下，请求并发量大时，网络是非常重要的一个因素，特别是对于写请求，这里要了解 HDFS 写的流程。因为写副本的过程类似于流水线

• 先写副本一，但这里写完后就将写成功的结果返回给客户端了。
• 之后由副本一将内容写到副本二，接着由副本二将内容写到副本三。

假设副本三和副本一放置在一个机架上，那么就会产生两次不同机架间的写操作。而目前的情况是副本二和副本三在同一个机架，机架间的写操作只会发生在副本一到副本二之间，副本二和副本三的写操作是在同一个机架，节省了网络流量。

为了最大的减少带宽和延迟，HDFS 读取文件采用就近原则，如果与客户端在同一机架上的 DataNode 上存有副本，则直接读取该副本。如果 HDFS 是跨数据中心的，则优先选择同一数据中心的副本。

更多功能

1. 缓存《HDFS中的集中缓存管理详解》
2. 快照《[知识讲解篇-31] HDFS 快照》
3. 视图《HDFS_视图文件系统》
   以上有讲到的，都是作为开发者关心的功能与架构，还有没讲到的运维及扩展方面请参考《HDFS精华文章汇总》

主要参考

《hdfs 中chunk_HDFS读写流程》
《为什么HDFS文件块（block）大小设定为128M》
《Hadoop的HDFS中的namenode和secondarynamenode的内容总结》
《HDFS NameNode 高可用实现》
《HDFS(3):Hadoop优化与发展》
《hadoop基本原理架构讲解（HDFS部分）》
《大数据入门：HDFS数据副本存放策略》