HDFS【概述、数据流】
概述
定义
HDFS是一个分布式文件管理系统
优缺点
-
优点
（1）高容错
多副本提高容错、某个副本丢失可以自动恢复
（2）适合处理大数据
能处理PB级别数据、能处理百万的文件数据量
（3）可构建在廉价机器上
-
缺点
（1）不适合低时延数据访问
（2）无法高效存储小文件
（3）不支持并发写入和文件修改
HDFS组成架构
HDFS文件块大小
HDFS数据流
写数据
1）客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。
2）NameNode返回是否可以上传。
3）客户端请求第一个 Block上传到哪几个DataNode服务器上。
4）NameNode返回3个DataNode节点，分别为dn1、dn2、dn3。
5）客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。
6）dn1、dn2、dn3逐级应答客户端。
7）客户端开始往dn1上传第一个Block（先从磁盘读取数据放到一个本地内存缓存），以Packet为单位，dn1收到一个Packet就会传给dn2，dn2传给dn3；dn1每传一个packet会放入一个应答队列等待应答。
8）当一个Block传输完成之后，客户端再次请求NameNode上传第二个Block的服务器。（重复执行3-7步）。
读数据
1）客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
3）DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。
4）客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。
网络拓扑-节点距离计算
节点距离：两个节点到达最近的共同祖先的距离总和
在HDFS写数据的过程中，NameNode会选择距离待上传数据最近距离的DataNode接收数据。那么这个最近距离怎么计算呢?
机架感知（写数据的副本存储节点选择）
官网介绍（2.X和3.X策略不同）
http://hadoop.apache.org/docs/r2.7.2/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html#Data_Replication
http://hadoop.apache.org/docs/r3.1.3/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html#Data_Replication
- hadoop2.7.2版本(2-1)
- hadoop3.1.3版本(1-2)
