开源组件系列（6）：分布式文件系统（HDFS）

目录

（一）概述

（二）文件系统的应用

（三）HDFS基本架构

（四）HDFS关键技术

（五）HDFS访问方式

（六）HDFS Java API

---

（一）概述

 

在海量数据的业务场景中，我们每天采集的数据通常是GB级别的，系统所存储的数据通常是TB级别的，甚至是PB级别。为了应为数据存储的管理和扩展问题，大数据集群通常采用横向扩展的方式来满足数据增长的需求，即以网络互连的节点为单位扩大存储容量。为了构建横向扩展的分布式文件系统，通常需要解决如下几个问题：

1.数据能备份：由于横向扩展的集群节点通常采用廉价的服务器，因而出现故障的几率较大，需要分布式文件系统能够很好的应对各种问题，也就是有良好的容错性；

2.存储大文件：在分布式文件系统中，存储GB级别的文件很常见，也可能存储大量的KB级小文件，这与传统文件系统的场景很不同，要求大数据集群在IO方面有良好的性能；

3.一次写入多次读取：大多数场景下，文件是追加写入的，且写入完成后不会随机修改，只会读取。因此，文件的追加操作需要重点保障读写性能和原子操作。

在2003年，Google发布了分布式文件系统GFS的相关论文，在此基础上，Apache开源了顶级项目：Hadoop，而HDFS正是Hadoop中的分布式文件系统，也是GFS的开源实现。

 

（二）文件系统的应用

 

构建分布式文件系统，通常有两种方式：文件级别和块级别。

这里首先介绍文件级别，通常采用的方案是基于现有文件系统的主从架构：Master/Slave，也就是给定N个网络节点，每个节点都装有Linux操作系统，选出一个节点作为Master，记录文件的元信息，其他节点作为Slave，存储实际文件。

该方案是初级的分布式文件系统实现，但存在如下两个难以解决的问题：

1.难以负载均衡：文件级别的分布式文件系统，以文件为单位进行存储，由于用户的文件大小不统一，因此难以保证每个节点的数据都是均衡的；

2.难以并行处理：如果以文件为单位进行存储，当多个分布在不同节点上的并行任务读取同一文件时，存储该文件的节点网络带宽便会成为瓶颈，从而制约上层框架的并行处理效率。

文件级别的分布式文件系统结构图如下：

 

为了解决文件级别的分布式文件系统存在的问题，我们提出了块级别的分布式文件系统，其核心思想是将文件分成等大的数据块，例如HDFS默认是128MB，并以数据块为单位存储到不同的节点上，进而解决负载均衡和并行处理的问题。如下图所示：

 

（三）HDFS基本架构

 

HDFS是典型的块级别分布式文件系统，主节点被称为Namenode，负责管理元信息和子节点，子节点被称为Datanode，负责存储实际的数据块，如下图所示：

 

Namenode是HDFS的管理者，主要包括如下功能：

1.管理元信息：Namenode以目录树的形式维护整个文件系统目录、文件的数据块等信息；

2.管理Datanode：Datanode需要周期性的向Namenode汇报心跳信息，一旦Namenode发现Datanode出现了问题，会在其他存活的Datanode节点上重构丢失的数据块；

3.HA高可用性：为了防止Namenode出现问题之后集群不可用，通常会启动一个备用的Namenode，实现HA的高可用性；

4.状态同步：主从Namenode并不是通过强一致的协议保证状态一致的，而是通过第三方的文件共享存储系统，主Namenode将EditLog日志写入共享存储系统，从Namenode读取这些日志并执行修改操作。

 

Datanode主要是用来对文件数据块的读写。存储数据块和块的校验，因为数据在网络的传输中可能存在数据丢失的问题，所以需要校验。同时，DataNode要保持与NameNode的通信，一般每3秒发送一次心跳包。一般来说，数据是以block存储在DataNode节点上，在DataNode节点上提交文件，那么第一个块就是存储在这个节点上（选择最近的一个），如果不是在DataNode节点上提交的，就随即挑选一个磁盘合适CPU负荷的节点。第二个block存储在不同机架上的一个节点，假设副本数为3，那么第三个block存储在与第二个block相同机架上的不同节点。

 

 

（四）HDFS关键技术

 

HDFS在实现时采用了大量分布式技术，典型的有如下几种：

 

1.容错性设计

HDFS有良好的容错性设计，以降低节点故障情况下数据丢失的可能性。当Namenode故障时，会导致整个文件系统数据不可用，因此HDFS会为每个Active Namenode分配一个Standby Namenode，用于故障时备用；当Datanode故障时，由于数据块的多副本策略，Namenode可以在其他节点上重构故障Datanode上的数据块；当数据块损坏时，也就是校验码不一致时，Namenode会通过其他节点上的正常副本来重构首受损的数据块。

 

2.副本放置策略

数据块副本放置策略决定了每个数据块多个副本存放节点的选择，在保证读写性能的前提下，尽可能的提高数据的可靠性。副本放置策略与集群物理拓扑结构直接相关，通常情况下，一个集群由多个机架构成，每个机架由16~64个物理节点组成，机架内部的节点时通过内部交换机通信的，机架之间的节点时通过外部节点通信的。由于机架间的节点通信需要多层交换机，相比于机架内节点通信，读写延迟要高一些。相同机架内部的节点通常是绑定在一起的，多种资源可能是共享的，例如插座、交换机等，因此同时不可用的概率要比不同机架节点高很多。

考虑到集群物理拓扑结构特点，HDFS默认采用三副本放置策略。当客户端与Datanode同节点时，上层计算框架处理HDFS数据时，每个任务实际上就是一个客户端，运行在与Datanode相同的计算节点上，三副本放置策略为：第一个副本写到同Datanode上，另外两个副本写到相同机架的不同Datanode上。当客户端与Datanode不同节点时，也就是HDFS之外的应用程序会向HDFS写数据，例如Flink Sink，HDFS会随机选择一个Datanode作为第一个副本放置节点，其他两个副本写到另一个相同机架不同的Datanode上。

 

 

3.异构存储介质

随着HDFS的不断完善，已经从最初的单存储介质（磁盘）的单一文件系统，演化为支持异构存储介质的综合性分布式文件系统，使得HDFS能够很好的利用新型存储介质，使得HDFS变成了一个提供混合存储方式的存储系统，用户能够根据自己的业务特点，选择不同的存储介质。HDFS目前支持的存储介质主要包括：

Disk：默认的磁盘介质；

Archive：高存储密度但耗电较少，通常用来存储冷数据；

SSD：固态硬盘，新型存储介质，速度较快；

Ram Disk：数据首先被写道内存中，同时向该存储介质中再异步写一份。

 

4.集中式缓存管理

HDFS允许用户将一部分目录或文件缓存在off-heap内存中，以加速对这些数据的访问效率，该机制被称为集中式缓存管理，包括如下几方面的有点：

提高集群的内存利用效率：当使用操作系统的缓存时，对一个数据块的重读读会导致所有的副本都会被放到缓冲区中，造成内存浪费，使用集中式缓存，用户可以指定n个副本的m个被缓存，节约n-m的内存；

防止被频繁使用的数据从内存中清除：当使用操作系统缓存时，操作系统使用自带的内存置换算法管理内存，此时容易让热数据不断写入内存，之后从内存中清除，导致数据访问速度的不稳定；

提高读取效率：Datanode缓存统一由Namenode来管理，上层计算框架的调度器查询数据块的缓存列表，并通过一定的调度策略将任务尽可能调度到缓存块所在节点上，以提高数据读性能；当数据块被Datanode缓存后，HDFS会使用一个高效的、支持zero-copy的新API加快读速度，客户端的开销基本是0。

 

（五）HDFS访问方式

 

HDFS提供了两类shell命令：用户命令和管理员命令，具体如下：

 

1.用户命令

HDFS提供了大量用户命令，常用的有文件操作命令dfs，文件一致性检查命令fsck和分布式文件复制命令distcp，具体如下：

 

（1）文件操作命令dfs

文件操作命令是文件系统交互的命令，可以是HDFS，也可以是Hadoop支持的文件系统，语法如下：

$HADOOP_HOME/bin/hadoop fs

所有命令均会接收文件uri作为参数，如果直接操作HDFS上的文件，也可以使用如下命令：

$HADOOP_HOME/bin/hdfs dfs

除了执行命令的前缀不同，HDFS大部分文件操作命令与Linux自带命令类似，例如mkdir、rm、mv等。

 

（2）文件一致性检查命令fsck

fsck命令的用法和参数如下：

 

（3）分布式文件复制命令distcp

分布式文件复制命令distcp主要功能包括集群内文件并行复制和集群间文件并行复制，例如将/user/gai/从集群nm1复制到集群nm2上，加入两个集群的版本相同，那么命令如下：

bin/hadoop/ distcp hdfs://nm1:8020/user/gai hdfs://nm2:8020/user/gai

 

2.管理员命令

管理员命令主要是针对服务生命周期管理的，比如启动/关闭Namenode/Datanode，HDFS份额管理等，例如启动和关闭Namenode：

sbin/hadoop-daemon.sh start namenode

sbin/hadoop-daemon.sh stop namenode

 

（六）HDFS Java API

 

例子如下：

/**
 * hdfs入门程序:
 * 面向对象：一切皆对象
 * 文件系统也可以看做是一类事物、FileSystem
 * 
 * 一定有共同的行为和属性：
 * 1.属性--就是--URL
 * 本地文件系统的URL:	file:///c:myProgram
 * HDFS文件系统的URL:	fs.defaultFS=hdfs://hadoop02:9000
 * 2.行为/方法--就是--上传和下载
 * 
 * FileSystem类的相关方法：
 * .get()----->静态方法，用来获取FileSystem类的这个实例对象的，而不是 做下载的,此方法最少传一个参数否则要传三个参数
 */
public class HelloHDFS {
	/**
	 * 从windows上传和下载到HDFS
	 */
	public static void main(String[] args) throws Exception {
		/**
		 * 插曲：创建对象的方式有五种：
		 * 1.构造方法(一般用这种)
		 * 2.静态方法(一般用这种)
		 * 3.反射
		 * 4.克隆
		 * 5.反序列化
		 */
		//Configuration是配置对象，conf可以理解为包含了所有配置信息的一个集合，可以认为是Map
		//在执行这行代码的时候底层会加载一堆配置文件 core-default.xml;hdfs-default.xml;mapred-default.xml;yarn-default.xml
		Configuration conf = new Configuration();
		//相当于通过配置文件的key获取到value的值
		conf.set("fs.defaultFS","hdfs://hadoop02:9000");
		/**
		 * 更改操作用户有两种方式：（系统会自动识别我们的操作用户，如果我们设置，将会报错会拒绝Administrator用户（windows用户））
		 * 1.直接设置运行环境中的用户名为hadoop，此方法不方便因为打成jar包执行还是需要改用户，右键Run As--Run Configurations--Arguments--VM arguments--输入-DHADOOP_USER_NAME=hadoop
		 * 2.直接在代码中进行声明
		 */
		//更改操作用户为hadoop 
		System.setProperty("HADOOP_USER_NAME","hadoop");
		//获取文件系统对象(目的是获取HDFS文件系统)
		FileSystem fs=FileSystem.get(conf);
		//直接输出fs对象是org.apache.hadoop.fs.LocalFileSystem@70e8f8e
		//这说明是本地文件系统对象。代码在eclipse所嵌入的jvm中执行的，jvm是安装在Windows下的，所以是windows文件系统对象
		//所以要返回来指定HDFS
		System.out.println(fs);
		//上传的API
		fs.copyFromLocalFile(new Path("c:/ss.txt"), new Path("/a"));
		//下载的API										不改名就不用写文件名字也行
		fs.copyToLocalFile(new Path("/a/qqq.txt"), new Path("c:/qqq.txt"));
		fs.close();
		/**
		 * .crc 是校验文件
		 * 每个块的元数据信息都只会记录合法的数据起始偏移量。
		 * 如果进行了非法的数据追加，最终是能够下载正确的数据的。
		 * 如果在数据的中间更改了数据，造成了采用CRC算法计算出来的校验值和最初存入HDFS的校验值不一致。HDFS就认为当前这个文件被损坏了。
		 */
	}
}