hdfs 数据传输到 kafka hdfs数据读取和写入流程

转载

mob6454cc6d81c9 2024-06-26 11:55:04

文章标签 hdfs 数据传输到 kafka HDFS RPC 数据客户端 文章分类 架构后端开发

RPC（Remote Procedure Call）

什么是 RPC？

Remote Procedure Call，远程过程调用。也就是说，调用过程代码并不是在调用者本地运行，而是要实现调用者与被调用者两地之间的连接与通信。

RPC 的基本通信模型是基于 Client/Server 进程间相互通信模型的一种同步通信形式；它对 Client 提供了远程服务的过程抽象，其底层消息传递操作对 Client 是透明的。

在 RPC 中，Client 是请求服务的调用者（Caller），而 Server 则是被 Client 的请求调用的程序（Callee）

HDFS数据写入流程

hdfs 数据传输到 kafka hdfs数据读取和写入流程_HDFS

1、 client发起文件上传请求，通过RPC与NameNode建立通讯，NameNode检查目标文件是否已存在，父目录是否
存在，返回是否可以上传；

2、 client请求第一个block该传输到哪些DataNode服务器上；

3、 NameNode根据配置文件中指定的备份数量及机架感知原理进行文件分配，返回可用的DataNode的地址如：A，B，C；

4、 client请求3台DataNode中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用 B，然后B调用C，将整个pipeline建立完成，后逐级返回client；

5、 client开始往A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（默认64K），A 收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答。

6、数据被分割成一个个packet数据包在pipeline上依次传输，在pipeline反方向上，逐个发送ack（命令正确应答），最终由pipeline中第一个DataNode节点A将pipelineack发送给client;

7、关闭写入流。

8、当一个block传输完成之后，client再次请求NameNode上传第二个block到服务器。

HDFS数据读取流程

hdfs 数据传输到 kafka hdfs数据读取和写入流程_客户端_02

1、客户端通过调用FileSystem对象的open()来读取希望打开的文件。

2、 Client向NameNode发起RPC请求，来确定请求文件block所在的位置；

3、 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 都会返回含有该 block副本的 DataNode 地址；这些返回的 DN 地址，会按照集群拓扑结构得出 DataNode 与客户端的距离，然后进行排序，排序两个规则：网络拓扑结构中距离 Client 近的排靠前；心跳机制中超时汇报的 DN 状态为 STALE，这样的排靠后；

4、 Client 选取排序靠前的 DataNode 来读取 block，如果客户端本身就是 DataNode,那么将从本地直接获取数据(短路读取特性)；

5、底层上本质是建立 Socket Stream（FSDataInputStream），重复的调用父类 DataInputStream 的 read 方法，直到这个块上的数据读取完毕；

6、并行读取，若失败重新读取

7、当读完列表的 block 后，若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；

8、返回后续block列表

9、最终关闭读流，并将读取来所有的 block 会合并成一个完整的最终文件。