HDFS(The Hadoop Distributed File System) 是最初由Yahoo提出的分布式文件系统，它主要用来：
1）存储大数据
2）为应用提供大数据高速读取的能力
重点是掌握HDFS的文件读写流程，体会这种机制对整个分布式系统性能提升带来的好处。
HDFS工作流程与机制
⚫ HDFS集群角色与职责
⚫ HDFS写数据流程（上传文件）
⚫ HDFS读数据流程（下载文件）
官方架构图
主角色：namenode
⚫ NameNode是Hadoop分布式文件系统的核心，架构中的主角色。
⚫ NameNode维护和管理文件系统元数据，包括名称空间目录树结构、文件和块的位置信息、访问权限等信息。
⚫ 基于此，NameNode成为了访问HDFS的唯一入口。
NameNode内部通过内存和磁盘文件两种方式管理元数据。
⚫ 其中磁盘上的元数据文件包括Fsimage内存元数据镜像文件和edits log（Journal）编辑日志。
从角色：datanode
⚫ DataNode是Hadoop HDFS中的从角色，负责具体的数据块存储。
⚫ DataNode的数量决定了HDFS集群的整体数据存储能力。通过和NameNode配合维护着数据块。
主角色辅助角色： secondarynamenode
⚫ Secondary NameNode充当NameNode的辅助节点，但不能替代NameNode。
⚫ 主要是帮助主角色进行元数据文件的合并动作。可以通俗的理解为主角色的“秘书”。
namenode职责
⚫ NameNode仅存储HDFS的元数据：文件系统中所有文件的目录树，并跟踪整个集群中的文件，不存储实际数据。
⚫ NameNode知道HDFS中任何给定文件的块列表及其位置。使用此信息NameNode知道如何从块中构建文件。
⚫ NameNode不持久化存储每个文件中各个块所在的datanode的位置信息，这些信息会在系统启动时从DataNode 重建。
⚫ NameNode是Hadoop集群中的单点故障。
⚫ NameNode所在机器通常会配置有大量内存（RAM）。
datanode职责
⚫ DataNode负责最终数据块block的存储。是集群的从角色，也称为Slave。
⚫ DataNode启动时，会将自己注册到NameNode并汇报自己负责持有的块列表。
⚫ 当某个DataNode关闭时，不会影响数据的可用性。 NameNode将安排由其他DataNode管理的块进行副本复制 。
⚫ DataNode所在机器通常配置有大量的硬盘空间，因为实际数据存储在DataNode中。
HDFS写数据流程（上传文件）
写数据完整流程图
核心概念--Pipeline管道
Pipeline，中文翻译为管道。这是HDFS在上传文件写数据过程中采用的一种数据传输方式。
⚫ 客户端将数据块写入第一个数据节点，第一个数据节点保存数据之后再将块复制到第二个数据节点，后者保存后将其复制到第三个数据节点。
为什么datanode之间采用pipeline线性传输，而不是一次给三个datanode拓扑式传输呢？
⚫ 因为数据以管道的方式，顺序的沿着一个方向传输，这样能够充分利用每个机器的带宽，避免网络瓶颈和高延迟时 的连接，最小化推送所有数据的延时。
⚫ 在线性推送模式下，每台机器所有的出口宽带都用于以最快的速度传输数据，而不是在多个接受者之间分配宽带。
核心概念--ACK应答响应
⚫ ACK (Acknowledge character）即是确认字符，在数据通信中，接收方发给发送方的一种传输类控制字符。表示发来的数据已确认接收无误。
⚫ 在HDFS pipeline管道传输数据的过程中，传输的反方向会进行ACK校验，确保数据传输安全。
核心概念--默认3副本存储策略
⚫ 默认副本存储策略是由
BlockPlacementPolicyDefault指定。
核心概念--默认3副本存储策略
⚫ 第一块副本：优先客户端本地，否则随机
⚫ 第二块副本：不同于第一块副本的不同机架。
⚫ 第三块副本：第二块副本相同机架不同机器。
1、HDFS客户端创建对象实例DistributedFileSystem， 该对象中封装了与HDFS文件系统操作的相关方法。
2、调用DistributedFileSystem对象的create()方法，通过RPC请求NameNode创建文件。
NameNode执行各种检查判断：目标文件是否存在、父目录是否存在、客户端是否具有创建该文件的权限。检查通过 ，NameNode就会为本次请求记下一条记录，返回FSDataOutputStream输出流对象给客户端用于写数据。
3、客户端通过FSDataOutputStream输出流开始写入数据。
4、客户端写入数据时，将数据分成一个个数据包（packet 默认64k）, 内部组件DataStreamer请求NameNode挑选出适合存储数据副本的一组DataNode地址，默认是3副本存储。
DataStreamer将数据包流式传输到pipeline的第一个DataNode,该DataNode存储数据包并将它发送到pipeline的第二个DataNode。同样，第二个DataNode存储数据包并且发送给第三个（也是最后一个）DataNode。
5、传输的反方向上，会通过ACK机制校验数据包传输是否成功；
6、客户端完成数据写入后，在FSDataOutputStream输出流上调用close()方法关闭。
7、DistributedFileSystem联系NameNode告知其文件写入完成，等待NameNode确认。
因为namenode已经知道文件由哪些块组成（DataStream请求分配数据块），因此仅需等待最小复制块即可成功返回 。
最小复制是由参数
dfs.namenode.replication.min指定，默认是1.
HDFS读数据流程（下载文件）
读数据完整流程图
1、HDFS客户端创建对象实例DistributedFileSystem， 调用该对象的open()方法来打开希望读取的文件。
2、DistributedFileSystem使用RPC调用namenode来确定文件中前几个块的块位置（分批次读取）信息。
对于每个块，namenode返回具有该块所有副本的datanode位置地址列表，并且该地址列表是排序好的，与客户端的网络拓扑距离近的排序靠前。
3、DistributedFileSystem将FSDataInputStream输入流返回到客户端以供其读取数据。
4、客户端在FSDataInputStream输入流上调用read()方法。然后，已存储DataNode地址的InputStream连接到文件中第一个块的最近的DataNode。数据从DataNode流回客户端，结果客户端可以在流上重复调用read（）
5、当该块结束时，FSDataInputStream将关闭与DataNode的连接，然后寻找下一个block块的最佳datanode位置。
这些操作对用户来说是透明的。所以用户感觉起来它一直在读取一个连续的流。
客户端从流中读取数据时，也会根据需要询问NameNode来检索下一批数据块的DataNode位置信息。
6、一旦客户端完成读取，就对FSDataInputStream调用close()方法。
大数据基础：
开发入门Linux入门→MySQL数据库
核心基础Hadoop
数仓技术Hive数仓项目
PB内存计算Python入门→Python进阶→pyspark框架→Hive+Spark项目
Python+大数据开发
注意事项：大数据学习要业务驱动，不要技术驱动：数据科学的核心能力是解决问题。
大数据的核心目标是数据驱动的智能化，要解决具体的问题，不管是科学研究问题，还是商业决策问题，抑或是政府管理问题。
所以学习之前要明确问题，理解问题，所谓问题导向、目标导向，这个明确之后再研究和选择合适的技术加以应用，这样才有针对性，言必hadoop,spark的大数据分析是不严谨的。
