HDFS
1.HDFS 入门
1.1 背景
面对各行各业日益增长的数据量，普通的机器无论在存储空间还是管理能力上都显得力不从心。既然单台机器的资源有限，那么增加机器的方式是否可行？答案是肯定的，于是乎出现了分布式的概念。分布式文件管理系统便可以将一堆机器组合在一起，并隐藏细节，让用户感觉与之前单机储存文件毫无差别，但其实文件是通过网络来访问的。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』
1.2 简介
1) 官方称：HDFS 可以运行在廉价的服务器上，为海量的数据存储提供了高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征。
2) HDFS 基于开源的 GFS 开发实现。
3) HDFS 的默认存储单位是数据块 Block，默认数据块大小是 64MB 。文件存储时会分成一个个数据块，但是当一个小文件没达到数据块大小时，文件是多大就占用多大的空间。
4) NameNode 称为元数据节点，管理保存所有的节点信息、文件信息等等。它的一些系统文件我们需要了解：edits 保存了一些操作信息；fsimage 是名字空间文件。
5) 数据节点 DataNode 是存储数据的地方，一个文件会被分成若干个数据块储存在对应的数据节点上。数据节点的系统文件：以 blk_ 开头无后缀的文件保存的就是数据块，以 blk_ 开头以 .meta 结尾的文件则保存对应数据块的属性信息，subdir 开头的目录保存的也是数据块相关信息（数据块太多了，就一起放在这种目录下）。
6) 从元数据节点 Secondary Name Node 虽然名字中有个「从」字，但并非是备份，而是与 Name Node 各司其职，它主要的作用是隔一段时间合并一下日志文件等，并帮助 Name Node 将内存中的元数据信息 checkpoint 到硬盘上。
checkpoint即检查点，保存某一刻内存数据到硬盘的文件中。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』
1.3 优点
1) 可以处理超大文件（MB 到 TB 级别）
2) 对于服务器要求不高，Hadoop 集群可部署在廉价的机器上节约项目成本，因为它的多副本，使你不必担心宕机等意外事故带来的影响。
3) 一次写入，多次读取。
4) 现在还支持对已有文件追加内容。
1.4 缺点
1) 不适合低延迟数据访问，即访问数据时间可能会长一些。
2) 不适合存储大量小文件。因为存储一个文件，其元数据会保存在 NameNode 中，而 NameNode 的内存决定了 HDFS 储存文件的上限，大量小文件会耗费资源。
文件存储后，其元数据（文件的相关信息，如创建日期，文件大小，存储路径等等）会保存在
NameNode中。一个小文件和一个大文件的元数据大小是差不多的，元数据存储满后，不再接受文件存储。如果存储大量的小文件，会导致存储空间上的浪费，还会增加NameNode的压力，从而影响集群性能。可以采用Sequence File等方式对小文件进行合并，或者使用Name Node Federation的方式改善。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』
1.5 设计目标
1) 集群中管理数量庞大的服务器，如何做到错误检测，快速、自动恢复是核心目标。
2) 需要高数据传输带宽，保证支撑数以千万计的文件。
3) 需要支持大文件存储。
4) 移动计算而非移动数据。
1.6 架构
1) HDFS 采用 master/slave 架构。
2) 一个 HDFS 集群由一个 NameNode 和一些 DataNode 组成， NameNode 相当于控制中心，负责管理文件系统的名字空间、数据块与数据节点的映射以及数据节点的调度。 DataNode 则负责处理实际的客户端读写的请求，存储数据。
2.HDFS 基本操作
2.1 HDFS shell
先启动
Hadoop才能使用
1) 列出文件目录，同 ls：
hadoop fs -ls 目录路径
递归的查看文件可以使用
-R参数
# 列出 /data 下的所有文件
hadoop fs -ls -R /data
2) 在 HDFS 中创建文件夹
hadoop fs -mkdir 文件夹名称
如果想嵌套（级联）的创建目录，可以使用
-p参数
3) 上传文件到 HDFS
hadoop fs -put 本地文件路径 HDFS文件路径
4) 从 HDFS 上下载文件
hadoop fs -get HDFS文件路径 本地路径
5) 查看 HDFS 上某个文件内容
hadoop fs -cat HDFS上文件路径
6) 统计目录下各文件的大小
hadoop fs -du 目录路径
7) 删除 HDFS 上某个文件或文件夹
hadoop fs -rm 文件 hadoop fs -rmdir 文件夹
8) 帮助命令
hadoop fs -help 命令
3.HDFS 运行原理
3.1 读流程
客户端通过 RPC 调用 NameNode 的相关方法，如果客户端身份验证成功，会获取到要读取的文件对应的数据块保存在哪些 DataNode 上；客户端向 DataNode 发起读取的请求，获取数据（客户端读取的是连续的流，但实际过程是先到最近的 DataNode 读取数据，读取完之后连接关闭，再去读取下一个 DataNode 上的数据块）；当所有的数据读取完成后，资源关闭。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』
3.2 写流程
客户端向 NameNode 发起 RPC 请求创建文件， NameNode 验证用户权限、检测文件是否存在，最终创建一条元数据信息，然后客户端开始向 DataNode 保存数据，进行切分并完成第一个副本的创建，再将其复制到其他的节点上，直到所有的节点完成后，关闭连接。
3.3 副本
HDFS 上文件对应的数据块保存有多个副本，并为其提供容错机制，当副本丢失或者宕机时，能够快速自动恢复。但是要注意，我们需要对副本系数进行设置，而且此系数一经写入，不可更改。
3.3.1 摆放策略
第一个副本放置在上传文件的 Data Node 上，如果是在集群外提交，则根据磁盘速度以及 CPU 效率选取一个节点。
第二个副本放在与第一个副本不同机架的节点上。
第三个副本放在与第二个副本相同机架的不同节点上。
更多的副本就随机放在节点中。
3.4 负载均衡
1) 如果某个 DataNode 上空闲空间低于临界点，按照负载均衡策略，系统会自动将数据转移到其他空闲的 DataNode 上。
2) 如果对某个文件的请求突然增加，有可能启动一个计划来创建该文件新的副本，最后再重新平衡集群中其他数据。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』
3) HDFS 会调整存储分布以均衡 IO 性能，平衡 IO 负载，平均数据，平衡集群。
4) Hadoop 的 bin/start-balancer.sh 脚本可以启动均衡服务。使用 -threshold 参数设置判断集群是否平衡的阈值；使用 hdfs-site.xml 文件中的 dfs.balance.bandwidth 设置 Balancer 运行时允许占用的带宽。
4.HDFS 高级知识
4.1 序列化机制
1) 序列化：将对象转化为字节流，以便在网络上传输或者写在磁盘上持久化存储。
2) 反序列化：将字节流转回成对象。
3) Hadoop 中多个节点进程间通讯是通过 RPC 完成的，所以需要序列化机制。
4) Hadoop 序列化中，用户可以复用对象，减少了 java 对象的分配和回收，提高应用效率。
4.2 Sequence File
4.2.1 概述
前面我们介绍过，当 HDFS 中保存有大量的小文件时，NameNode 压力会很大，使得存储的元数据信息非常多，而 Sequence File 则可以将小文件合并。
1) Sequence File 是 Hadoop 提供的一种对二进制文件的支持。
2) 二进制文件直接将键值对序列化到文件中。
3) 使用 Sequence File 进行存储的文件，占用空间会大于原数据，因为为了查找方便，Sequence File 的存储中添加了一些额外的信息，使得数据增大。
4.2.2 特点
1) 支持压缩。分为基于 Record 和 Block 压缩，前一种只压缩值不压缩键，后一种则是键和值都压缩。默认为无压缩，每个记录（Record）是由它的记录长度（字节数）、键的长度、键和值组成。
2) 对于 MapReduce 任务十分友好，因为文件可以被切分，使用 Map Task 并行处理可大幅提高作业的执行效率。
3) 使用简单，因为 Hadoop 提供了 API ，业务逻辑中应用便捷。
4.3 Map File
Map File 是排序过的 Sequence File ，由 index 和 data 两部分组成。index 是文件的数据索引，主要记录了每个 Record 的 key 值以及该Record 在文件中的偏移位置。在 Map File 被访问的时候，索引文件会先被加载到内存，通过 index 映射关系可快速定位到指定 Record 所在文件位置。所以 Map File 比 Sequence File 检索效率更高，缺点便是维护多余的 index 数据，占用了部分内存。
