分布式文件系统：HDFS

　　学习Hadoop，两个东西肯定是绕不过，MapReduce和HDFS，上一篇博客介绍了MapReduce的处理流程，这一篇博客就来学习一下HDFS。

　　HDFS是一个分布式的文件系统，就是将多台机器的存储当做一个文件系统来使用，因为在大数据的情景下，单机的存储量已经完全不够用了，所以采取分布式的方法来扩容，解决本地文件系统在文件大小、文件数量、打开文件数等的限制问题。我们首先来看一下HDFS的架构

HDFS架构

　　从上图可以看到，HDFS的主要组成部分为Namenode、Datanodes、Client，还有几个名词：Block、Metadata、Replication 、Rack，它们分别是什么意思呢？

　　对于分布式的文件系统，数据存储在很多的机器上，而Datanode代表的就是这些机器，是数据实际存储的地方，数据存好之后，我们需要知道它们具体存在哪一个Datanode上，这就是Namenode做的工作，它记录着元数据信息（也就是Metadata，其主要内容就是哪个数据块存在哪个Datanode上的哪个目录下，这也是为什么HDFS不适合存大量小文件的原因，因为为了响应速度，Namenode 把文件系统的元数据放置在内存中，所以文件系统所能容纳的文件数目是由 Namenode 的内存大小来决定。一般来说，每一个文件、文件夹和 Block 需要占据 150 字节左右的空间，如果存100 万个小文件，至少需要 300MB内存，但这么多小文件实际却没有存太多数据，这样就太浪费内存了），有了元数据信息，我们就能通过Namenode来查到数据块的具体位置了，而与Namenode打交道的工具就是Client，Client给我们用户提供存取数据的接口，我们可以通过Client进行数据存取的工作。

　　而剩下来的几个名词，Block表示的是数据块，因为存在HDFS上的一般都是很大的文件，我们需要将它拆成很多个数据块进行存储；Replication是副本的意思，这是为了数据的可靠性，如果某个数据块丢失了，还能通过它的副本找回来，HDFS默认一个数据块存储三份；Rack表示的是机架的意思，可以理解为存放多个Datanode的地方。

总结一下就是，数据存在Datanode上，并且有副本，而Namenode知道数据及其副本具体存在哪个Datanode上，我们想要找数据或者写数据的时候就通过Client来和Namenode联系，由它来告诉我们应该把数据存在哪里或者到哪里去取。

HDFS读写流程

　　看完了HDFS的架构，我们来看一下HDFS具体是怎么存取数据的。首先是写流程：

注：以下步骤并不严格对应如中的发生顺序

　　1）使用HDFS提供的客户端开发库，向远程的Namenode发起请求；

　　2）Namenode会检查要创建的文件是否已经存在，创建者是否有权限进行操作，成功则会为文件创建一个记录，否则会让客户端抛出异常；

　　3）当客户端开始写入文件的时候，会将文件切分成多个packets（数据包），并在内部以“data queue”（数据队列）的形式管理这些packets，并向Namenode申请新的blocks，获取用来存储replication的合适的datanodes列表，列表的大小根据在Namenode中对replication的设置而定。

　　4）开始以pipeline（管道）的形式将packet写入所有的replication中。先将packet以流的方式写入第一个datanode，该datanode把该packet存储之后，再将其传递给在此pipeline中的下一个datanode，直到最后一个datanode，这种写数据的方式呈流水线的形式。

　　5）最后一个datanode成功存储之后会返回一个ack packet（确认包），在pipeline里传递至客户端，在客户端内部维护着“ack queue”(确认队列)，成功收到datanode返回的ackpacket后会从“ack queue”移除相应的packet，代表该packet写入成功。

　　6）如果传输过程中，有某个datanode出现了故障，那么当前的pipeline会被关闭，出现故障的datanode会从当前的pipeline中移除，剩余的block会在剩下的datanode中继续以pipeline的形式传输，同时Namenode会分配一个新的datanode，保持replication设定的数量。

　　接下来是读流程：

注：以下步骤并不严格对应如中的发生顺序

　　1）使用HDFS提供的客户端，向远程的Namenode发起请求；

　　2）Namenode会视情况返回文件的部分或者全部block列表，对于每个block，Namenode都会返回有该block拷贝的Datanode地址；

　　3）客户端会选取离客户端最接近的Datanode来读取block；

　　4）读取完当前block的数据后，关闭与当前的Datanode连接，并为读取下一个block寻找最佳的Datanode；

　　5）当读完列表的block后，且文件读取还没有结束，客户端会继续向Namenode获取下一批的block列表。

　　6）读取完一个block都会进行checksum（校验和）验证，看文件内容是否出错；另外，如果读取Datanode时出现错误，客户端会通知Namenode，然后再从下一个拥有该block拷贝的Datanode继续读。

　　以上便是HDFS的读写流程，了解这些之后，我们思考几个问题，对于分布式的文件系统，我们怎么保证数据的一致性？就是说如果有多个客户端向同一个文件写数据，那么我们该怎么处理？另外，我们看到Namenode在HDFS中非常重要，它保存着关键的元数据信息，但是从架构图中看到，Namenode只有一个，如果它挂掉了，我们怎么保证系统能够继续工作？

分布式领域CAP理论

　　CAP理论是分布式中一个经典的理论，具体内容如下：

　　Consistency(一致性)：在分布式系统中的所有数据备份，在同一时刻是否同样的值。

　　Availability(可用性)：在集群中一部分节点故障后，集群整体是否还能响应客户端的读写请求。

　　Partition tolerance(分区容错性)：系统应该能持续提供服务，即使系统内部有消息丢失（分区）。

　　一致性和可用性比较好理解，主要解释一下分区容错性，它的意思就是说因为网络的原因，可能是网络断开了，也可能是某些机器宕机了，网络延时等导致数据交换无法在期望的时间内完成。因为网络问题是避免不了的，所以我们总是需要解决这个问题，也就是得保证分区容错性。为了保证数据的可靠性，HDFS采取了副本的策略。

　　对于一致性，HDFS提供的是简单的一致性模型，为一次写入，多次读取一个文件的访问模式，支持追加(append)操作，但无法更改已写入数据。HDFS中的文件都是一次性写入的，并且严格要求在任何时候只能有一个写入者。什么时候一个文件算写入成功呢？对于HDFS来说，有两个参数：dfs.namenode.replication.min (默认为1) 和dfs.replication (默认为 3)，一个文件的副本数大于等于参数dfs.namenode.replication.min 时就被标记为写成功，但是副本数要是小于参数dfs.replication，此文件还会标记为“unreplication”，会继续往其它Datanode里写副本，所以如果我们想要直到所有要保存数据的DataNodes确认它们都有文件的副本时，数据才被认为写入完成，我们可以将dfs.namenode.replication.min设置与dfs.replication相等。因此，数据一致性是在写的阶段完成的，一个客户端无论选择从哪个DataNode读取，都将得到相同的数据。

　　对于可用性，HDFS2.0对Namenode提供了高可用性（High Availability），这里提一下，Secondary NameNode不是HA，Namenode因为需要知道每个数据块具体在哪，所以为每个数据块命名，并保存这个命名文件（fsimage文件），只要有操作文件的行为，就将这些行为记录在编辑日志中（edits文件），为了响应的速度，这两个文件都是放在内存中的，但是随着文件操作额进行，edits文件会越来越大，所以Secondary NameNode会阶段性的合并edits和fsimage文件，以缩短集群启动的时间。当NameNode失效的时候，Secondary NameNode并无法立刻提供服务，Secondary NameNode甚至无法保证数据完整性，如果NameNode数据丢失的话，在上一次合并后的文件系统的改动会丢失。Secondary NameNode合并edits和fsimage文件的流程具体如下：

　　目前HDFS2中提供了两种HA方案，一种是基于NFS（Network File System）共享存储的方案，一种基于Paxos算法的方案Quorum Journal Manager（QJM），下面是基于NFS共享存储的方案

　　通过上图可知，Namenode的高可用性是通过为其设置一个Standby Namenode来实现的，要是目前的Namenode挂掉了，就启用备用的Namenode。而两个Namenode之间通过共享的存储来同步信息，以下是一些要点：

　　 • 利用共享存储来在两个NameNode间同步edits信息。

　　• DataNode同时向两个NameNode汇报块信息。这是让Standby NameNode保持集群最新状态的必需步骤。

　　• 用于监视和控制NameNode进程的FailoverController进程（一旦工作的Namenode挂了，就启用切换程序）。

　　• 隔离(Fencing)，防止脑裂，就是保证在任何时候只有一个主NameNode，包括三个方面：

　　 • 共享存储fencing，确保只有一个NameNode可以写入edits。

　　• 客户端fencing，确保只有一个NameNode可以响应客户端的请求。

• DataNode fencing，确保只有一个NameNode可以向DataNode下发命令，譬如删除块，复制块，等等。

　　另一种是QJM方案：

　　简单来说，就是为了让Standby Node与Active Node保持同步，这两个Node都与一组称为JNS(Journal Nodes)的互相独立的进程保持通信。它的基本原理就是用2N+1台JournalNode存储edits文件，每次写数据操作有大多数（大于等于N+1）返回成功时即认为该次写成功。因为QJM方案是基于Paxos算法的，而Paxos算法不是两三句就能说清楚的，有兴趣的可以看这个知乎专栏：Paxos算法或者参考官方文档。