大数据_06 【hadoop HDFS文件读写流程】

  • 01 文件写入过程
  • 02 文件读取过程
  • 03 数据校验
  • 04 DataNode节点丢失周期
  • 05 DataNode的目录结构


01 文件写入过程

hadoop output写入 hadoop将数据写入文件的过程_大数据

详细步骤解析：
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。

02 文件读取过程

hadoop output写入 hadoop将数据写入文件的过程_大数据_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。

03 数据校验

hadoop output写入 hadoop将数据写入文件的过程_上传_03

1、	数据第一次写入成功后，会进行数据校验，获得校验和。
2、	数据读取前，对数据进行校验，获得校验和，计算得到的校验和与第一次上传后的校验和进行对比。
3、	两个校验和相同表示数据相同，可以提读取数据
4、	两个校验和不相同表示数据不相同，节点去其他节点读取

5、	数据节点周期进行校验和计算，防止数据丢失。

04 DataNode节点丢失周期

DataNode节点长时间没有给NameNode汇报心跳，NameNode认为其丢失。
长时间（10分钟+30秒）： 2 * 超时时间 + 10 * 心跳周期

05 DataNode的目录结构

和namenode不同的是，datanode的存储目录是初始阶段自动创建的，不需要额外格式化。在/export/servers/hadoop-2.6.0-cdh5.14.0/hadoopDatas/datanodeDatas/current这个目录下查看版本号

[root@node01 current]# cat VERSION 
#Thu Mar 14 07:58:46 CST 2019
storageID=DS-47bcc6d5-c9b7-4c88-9cc8-6154b8a2bf39
clusterID=CID-dac2e9fa-65d2-4963-a7b5-bb4d0280d3f4
cTime=0
datanodeUuid=c44514a0-9ed6-4642-b3a8-5af79f03d7a4
storageType=DATA_NODE
layoutVersion=-56
具体解释
（1）storageID：		存储id号
（2）clusterID		集群id，全局唯一
（3）cTime			属性标记了datanode存储系统的创建时间，对于刚刚格式化的存储系统，这个属性为0；但是在文件系统升级之后，该值会更新到新的时间戳。
（4）datanodeUuid：	datanode的唯一识别码
（5）storageType：	存储类型
（6）layoutVersion	是一个负整数。通常只有HDFS增加新特性时才会更新这个版本号。

目录结构

hadoop output写入 hadoop将数据写入文件的过程_hadoop output写入_04