分布式文件系统HDFS

大数据技术以及具有代表性的Hadoop平台，所要解决的最核心的两大问题是：

• 大数据的分布式存储
• 大数据的分布式处理

而HDFS(Hadoop Distributed File System)就是为了解决海量数据的分布式存储问题。

3.1 分布式文件系统

（1）计算机集群结构

• 分布式文件系统把文件分布存储到多个计算机节点上，成千上万的计算机节点构成计算机集群。
• 与之前使用多个处理器和专用高级硬件的并行化处理装置不同的是，目前的分布式文件系统所采用的计算机集群，都是由普通硬件构成的，这就大大降低了硬件上的开销。
  
  （2）分布式文件系统结构

分布式文件系统在物理结构上是由计算机集群中的多个节点构成的，这些节点分为两类：一类叫“主节点”(Master Node)或者也被称为“名称结点”(NameNode)，另
一类叫“从节点”（Slave Node）或者也被称为“数据节点”(DataNode)。

主节点承担起数据目录（元数据）服务，而从节点具体完成数据的存储任务。

3.2 HDFS简介

（1）HDFS要实现的目标

• 兼容廉价的硬件设备

  大数据时代最重要的是能够让企业以可承担的成本区存储和处理数据。

• 流数据读写

• 大数据集

• 简单的文件模型

  HDFS要支持高效的数据读写，对文件模型进行了简化，牺牲了一些相关的性能，从而获得的批处理的特性（允许追加，不允许修改）。

• 强大的跨平台兼容性

（2）HDFS的局限性

• 不适合低延迟数据访问
• 无法高效存储大量小文件
• 不支持多用户写入及任意修改文件

3.3 HDFS相关概念

3.3.1 块、名称节点、数据节点

（1）块

块(Block)：HDFS中最核心的概念。

HDFS默认一个块64MB，一个文件被分成多个块，以块作为存储单位，块的大小远远大于普通文件系统，可以最小化寻址开销。

HDFS采用抽象的块概念可以带来以下几个明显的好处：

• 支持大规模文件存储：文件以块为单位进行存储，一个大规模文件可以被分拆成若干个文件块，不同的文件块可以被分发到不同的节点上，因此，一个文件的大小不会受到单个节点的存储容量的限制，可以远远大于网络中任意节点的存储容量。
• 简化系统设计：首先，大大简化了存储管理，因为文件块大小是固定的，这样就可以很容易计算出一个节点可以存储多少文件块；其次，方便了元数据的管理，元数据不需要和文件块一起存储，可以由其他系统负责管理元数据。
• 适合数据备份：每个文件块都可以冗余存储到多个节点上，大大提高了系统的容错性和可用性。

（2）名称节点与数据节点

在整个HDFS文件系统中，有非常多的节点，其中有一个节点是主节点，其他节点叫从节点。主节点就叫名称节点(NameNode)，从节点就叫数据节点(DataNode)。

一个大的文件会被分为多个块，存储到多个节点上，那么怎么获取这个文件的信息？答案是询问名称节点，名称节点会告诉你这个文件的数据块被存在哪些机器。名称节点就像HDFS集群的管家，负责整个文件系统元素据的存储，提供数据目录(元数据)服务。

与名称节点对应的，就是数据节点。数据节点是分布式文件系统HDFS的工作节点，负责数据的存储和读取，会根据客户端或者是名称节点的调度来进行数据的存储和检索，并且向名称节点定期发送自己所存储的块的列表。每个数据节点中的数据会被保存在各自节点的本地文件系统中。

名称节点负责存储元数据，那么元数据包括那些信息呢？如下：

1. 文件是什么
2. 文件被分为多少块
3. 每个块和文件是怎么映射的
4. 每个块被存储在哪个服务器上

名称节点(NameNode)	数据节点(datanode)
存储元数据	存储文件内容
元数据保存在内存中	文件内容保存在磁盘
保存文件、block、datanode之间的映射关系	维护block id到datanode本地文件的映射关系

3.3.2 名称节点的数据结构

在HDFS中，名称节点负责管理分布式文件系统的命名空间(Namespace)，记录了每个文件中各个块所在的数据节点的位置信息，保存了两个核心的数据结构，即FsImage和EditLog。

• FsImage用于维护文件系统树以及文件树中所有的文件和文件夹的元数据

• 操作日志文件EditLog中记录了所有针对文件的创建、删除、重命名等操作。
  

（1）FsImage文件

• FsImage文件包含文件系统中所有目录和文件inode的序列化形式。每个inode是一个文件或目录的元数据的内部表示，并包含此类信息：文件的复制等级、修改和访问时间、访问权限、块大小以及组成文件的块。对于目录，则存储修改时间、权限和配额元数据。
• FsImage文件没有记录块存储在哪个数据节点。而是由名称节点把这些映射保留在内存中，当数据节点加入HDFS集群时，数据节点会把自己所包含的块列表告知给名称节点，此后会定期执行这种告知操作，以确保名称节点的块映射是最新的。

（2）名称节点的启动

​ 在名称节点启动的时候，它会将FsImage文件中的内容加载到内存中，之后再执行EditLog文件中的各项操作，使得内存中的元数据和实际的同步，存在内存中的元数据支持客户端的读操作。
​ 一旦在内存中成功建立文件系统元数据的映射，则创建一个新的FsImage文件和一个空的EditLog文件。
​ 名称节点起来之后，HDFS中的更新操作会重新写到EditLog文件中，因为FsImage文件一般都很大（GB级别的很常见），如果所有的更新操作都往FsImage文件中添加，这样会导致系统运行的十分缓慢，但是，如果往EditLog文件里面写就不会这样，因为EditLog 要小很多。每次执行写操作之后，且在向客户端发送成功代码之前，edits文件都需要同步更新。

（3）名称节点运行期间EditLog不断变大的问题

​ 在名称节点运行期间，HDFS的所有更新操作都是直接写到EditLog中，久而久之， EditLog文件将会变得很大。

​ 虽然这对名称节点运行时候是没有什么明显影响的，但是，当名称节点重启的时候，名称节点需要先将FsImage里面的所有内容映像到内存中，然后再一条一条地执行EditLog中的记录，当EditLog文件非常大的时候，会导致名称节点启动操作非常慢，而在这段时间内HDFS系统处于安全模式，一直无法对外提供写操作，影响了用户的使用。

​ 名称节点运行期间EditLog不断变大的问题如何解决？答案是：SecondaryNameNode(第二名称节点)。第二名称节点是HDFS架构中的一个组成部分，它是用来保存名称节点中对HDFS 元数据信息的备份，并减少名称节点重启的时间。SecondaryNameNode一般是单独运行在一台机器上。

SecondaryNameNode的工作情况：

1. SecondaryNameNode会定期和NameNode通信，请求其停止使用EditLog文件，暂时将新的写操作写到一个新的文件edit.new上来，这个操
   作是瞬间完成，上层写日志的函数完全感觉不到差别；
2. SecondaryNameNode通过HTTP GET方式从NameNode上获取到FsImage和EditLog文件，并下载到本地的相应目录下；
3. SecondaryNameNode将下载下来的FsImage载入到内存，然后一条一条地执行EditLog文件中的各项更新操作，使得内存中的FsImage保持最新；这个过程就是EditLog和FsImage文件合并；
4. SecondaryNameNode执行完3操作之后，会通过post方式将新的FsImage文件发送到NameNode节点上。
5. NameNode将从SecondaryNameNode接收到的新的FsImage替换旧的FsImage文件，同时将edit.new替换EditLog文件，通过这个过程EditLog就变小了。

3.4 HDFS体系结构

3.4.1 HDFS体系结构概述

​ HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群包括一个名称节点和若干个数据节点。名称节点作为中心服务器，负责管理文件系统的命名空间及客户端对文件的访问。集群中的数据节点一般是一个节点运行一个数据节点进程，负责处理文件系统客户端的读/写请求，在名称节点的统一调度下进行数据块的创建、删除和复制等操作。每个数据节点的数据实际上是保存在本地Linux文件系统中。

3.4.2 HDFS命名空间管理

• HDFS的命名空间包含目录、文件和块。
• 在HDFS1.0体系结构中，在整个HDFS集群中只有一个命名空间，并且只有唯一一个名称节点，该节点负责对这个命名空间进行管理。
• HDFS使用的是传统的分级文件体系，因此，用户可以像使用普通文件系统一样，创建、删除目录和文件，在目录间转移文件，重命名文件等。

3.4.3 HDFS同信协议

HDFS是一个部署在集群上的分布式文件系统，因此，很多数据需要通过网络进行传输。所有的HDFS通信协议都是构建在TCP/IP协议基础之上的，客户端通过一个可配置的端口向名称节点主动发起TCP连接，并使用客户端协议与名称节点进行交互。名称节点和数据节点之间则使用数据节点协议进行交互。客户端与数据节点的交互是通过RPC（Remote Procedure Call）来实现的。在设计上，名称节点不会主动发起RPC，而是响应来自客户端和数据节点的RPC请求。

3.4.4 HDFS客户端

客户端是用户操作HDFS最常用的方式，HDFS在部署时都提供了客户端。HDFS客户端是一个库，暴露了HDFS文件系统接口，这些接口隐藏了HDFS实现中的大部分复杂性。严格来说，客户端并不算是HDFS的一部分。

客户端可以支持打开、读取、写入等常见的操作，并且提供了类似Shell的命令行
方式来访问HDFS中的数据。此外，HDFS也提供了Java API，作为应用程序访问文件系统的客户端编程接口。

3.4.5 HDFS体系结构的局限性

**HDFS(1.0版本)**只设置唯一一个名称节点，这样做虽然大大简化了系统设计，但也带来了一些明显的局限性，具体如下：

1. 命名空间的限制：名称节点是保存在内存中的，因此，名称节点能够容纳的对象（文件、块）的个数会受到内存空间大小的限制。

2. 性能瓶颈：整个分布式文件系统的吞吐量，受限于单个名称节点的吞吐量。

3. 隔离问题：由于集群中只有一个名称节点，只有一个命名空间，因此，无法对不同应用程序进行隔离。

4. 集群的可用性：一旦这个唯一的名称节点发生故障，会导致整个集群变得不可用(单点故障)。

   1.0版本下，SecondaryNameNode不是NameNode的热备(是冷备份)，SecondaryNameNode主要是辅助NameNode，分担其工作量；定期合并FsImage和EditLog，推送给NameNode；在紧急情况下，可以恢复NameNode。

   2.0版本下，SecondaryNameNode为NameNode热备，且引入HA机制，有两个NameNode。

3.5 HDFS存储原理

3.5.1 冗余数据保存

作为一个分布式文件系统，为了保证系统的容错性和可用性，HDFS采用了多副
本方式对数据进行冗余存储，通常一个数据块的多个副本会被分布到不同的数据节点上，如下图，数据块1被分别存放到数据节点A和C上，数据块2被存放在数据节
点A和B上。这种多副本方式具有以下几个优点：
（1）加快数据传输速度
（2）容易检查数据错误
（3）保证数据可靠性

3.5.2 数据存取策略

（1）数据存放

• 第一个副本：放置在上传文件的数据节点；如果是集群外提交，则随机挑选一台磁盘不太满、CPU不太忙的节点。
• 第二个副本：放置在与第一个副本不同的机架的节点上
• 第三个副本：与第一个副本相同机架的其他节点上。
• 更多副本：随机节点
  
  （2）数据读取

HDFS提供了一个API可以确定一个数据节点所属的机架ID，客户端也可以调用API
获取自己所属的机架ID。当客户端读取数据时，从名称节点获得数据块不同副本的存放位置列表，列表中包含了副本所在的数据节点，可以调用API来确定客户端和这些数据节点所属的机架ID，当发现某个数据块副本对应的机架ID和客户端对应的机架ID相同时，就优先选择该副本读取数据，如果没有发现，就随机选择一个副本读取数据。

3.5.3 数据错误与恢复

HDFS具有较高的容错性，可以兼容廉价的硬件，它把硬件出错看作一种常态，
而不是异常，并设计了相应的机制检测数据错误和进行自动恢复，主要包括以下几种情形：名称节点出错、数据节点出错和数据出错。

（1）名称节点出错

名称节点保存了所有的元数据信息，其中，最核心的两大数据结构是FsImage和Editlog，如果这两个文件发生损坏，那么整个HDFS实例将失效。因此，HDFS设
置了备份机制，把这些核心文件同步复制到备份服务器SecondaryNameNode上。当名称节点出错时，就可以根据备份服务器SecondaryNameNode中的FsImage和
Editlog数据进行恢复。

HDFS1.0版本SecondaryNameNode是冷备份，2.0更新为热备。

（2）数据节点出错

每个数据节点会定期向名称节点发送“心跳”信息，向名称节点报告自己的状态。

当数据节点发生故障，或者网络发生断网时，名称节点就无法收到来自一些数据节
点的心跳信息，这时，这些数据节点就会被标记为“宕机”，节点上面的所有数据都
会被标记为“不可读”，名称节点不会再给它们发送任何I/O请求。

这时，有可能出现一种情形，即由于一些数据节点的不可用，会导致一些数据块的副本数量小于冗余因子，名称节点会定期检查这种情况，一旦发现某个数据块的副本数量小于冗余因子，就会启动数据冗余复制，为它生成新的副本。

HDFS和其它分布式文件系统的最大区别就是可以调整冗余数据的位置。

（3）数据出错

网络传输和磁盘错误等因素，都会造成数据错误。
客户端在读取到数据后，会采用md5和sha1对数据块进行校验，以确定读取到正确
的数据。
在文件被创建时，客户端就会对每一个文件块进行信息摘录，并把这些信息写入到
同一个路径的隐藏文件里面。当客户端读取文件的时候，会先读取该信息文件，然后，利用该信息文件对每个读取的数据块进行校验，如果校验出错，客户端就会请求到另外一个数据节点读取该文件块，并且向名称节点报告这个文件块有错误，名称节点会定期检查并且重新复制这个块。

小结

• 分布式文件系统是大数据时代解决大规模数据存储问题的有效解决方案，HDFS开源实现了GFS，可以利用由廉价硬件构成的计算机集群实现海量数据的分布式存储。
• HDFS具有兼容廉价的硬件设备、流数据读写、大数据集、简单的文件模型、强大的跨平台兼容性等特点。但是，也要注意到，HDFS也有自身的局限性，比如不适合低延迟数据访问、无法高效存储大量小文件和不支持多用户写入及任意修改文件等。
• 块是HDFS核心的概念，一个大的文件会被拆分成很多个块。HDFS采用抽象的块概念，具有支持大规模文件存储、简化系统设计、适合数据备份等优点。
• HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群包括一个名称节点和若干个数据节点。名称节点负责管理分布式文件系统的命名空间；数据节点是分布式文件系统HDFS的工作节点，负责数据的存储和读取。
• HDFS采用了冗余数据存储，增强了数据可靠性，加快了数据传输速度。HDFS还采用了相应的数据存放、数据读取和数据复制策略，来提升系统整体读写响应性能。HDFS把硬件出错看作一种常态，设计了错误恢复机制。