Hadoop（HDFS）文件读写机制

一、概述

采用Hadoop提供的API进行HDFS文件系统访问，文件读取时默认是顺序、逐block读取；写入时是顺序写入。

二、读写机制

  • 首先来看文件读取机制：
    尽管DataNode实现了文件存储空间的水平扩展和多副本机制，但是针对单个具体文件的读取，Hadoop默认的API接口并没有提供多DataNode的并行读取机制。基于Hadoop提供的API接口实现的应用也自然面临同样的问题。Hadoop的文件读取流程如下图所示：

2 hadoop 读写流程图 hadoop读写原理_大数据

  1. 使用HDFS提供的客户端开发库，向远程的Namenode发起RPC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. 客户端开发库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，客户端开发库会继续向Namenode获取下一批的block列表。
  6. 读取完一个block都会进行checksum验证，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继续读取。

总结：多个Datanode顺序读取，Hadoop默认的API 无法实现并行读取机制，只能依靠二次开发实现并行。

  • 其次再看文件的写入机制：

2 hadoop 读写流程图 hadoop读写原理_hadoop_02

  1. 使用HDFS提供的客户端开发库，向远程的Namenode发起RPC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，开发库会将文件切分成多个packets，并在内部以"data queue"的形式管理这些packets，并向Namenode申请新的blocks，获取用来存储replicas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replicas中。开发库把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，在pipeline里传递至客户端，在客户端的开发库内部维护着"ack queue"，成功收到datanode返回的ack packet后会从"ack queue"移除相应的packet。
  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会继续剩下的datanode中继续以pipeline的形式传输，同时Namenode会分配一个新的 datanode，保持replicas设定的数量。

总结：开发库把packet以流的方式写入第一个datanode，该datanode将其传递给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方式。因此，并行写入HDFS基本是不可行的，看到网上也有很多人在这里踩坑，或者有业务需求改进。

编者按：其实DFSOutputStream维护了两个队列，data queue 和 ack queue，当 有datanode 宕机后，ack queue 中的队首 packet 就会插入到 data queue 的队首，并重新发送，确保不会丢失任何一个 packet。