DFS 和 HDFS

DFS (Distributed file system)

1.分布式文件系统讨论管理数据，即跨多台计算机或服务器的文件或文件夹。换句话说，DFS是一种文件系统，允许我们将数据存储在群集中的多个节点或机器上，并允许多个用户访问数据。所以基本上，它与您的机器中可用的文件系统具有相同的用途。

2.DFS为文件系统提供了单个访问点和一个逻辑树结构，通过DFS，用户在访问文件时不需要知道它们的实际物理位置，即分布在多个服务器上的文件在用户面前就如同在网络的同一个位置。

HDFS Hadoop Distributed File System)

1.HDFS (Hadoop Distributed File System)是Hadoop的核心子项目，是一个可以运行在普通硬件设备上的分布式文件系统，是分布式计算中数据存储和管理的基础，是基于流 数据模式访问和处理超大文件的需求而开发的。它所具有的高容错、高可靠性、高可扩展性、高吞吐率等特征为海量数据提供了不怕故障的存储，给超大数据集（Large Data Set） 的应用处理带来了很多便利。
2.HDFS 设计目标
· 硬件故障是常态，而不是异常
· 适合流式数据访问
· 适合大规模数据集
· 简单的一致性模型
· 移动计算比移动数据更划算
· 轻便的访问异构的软硬件平台
2.1.流式数据、批式数据、实时数据、历史数据的区别

大数据处理系统可分为批式(batch)大数据和流式(streaming)大数据两类。其中，批式大数据又被称为历史大数据，流式大数据又被称为实时大数据。
复杂的批量数据处理（batch data processing），通常的时间跨度在数十分钟到数小时之间。
基于历史数据的交互式查询（interactive query），通常的时间跨度在数十秒到数分钟之间。
基于实时数据流的数据处理（streaming data processing），通常的时间跨度在数百毫秒到数秒之间。

2.2.一致性模型

以下面的例子说：
一行X值在节点M和节点N上有副本
客户端A在节点M上写入行X的值
一段时间后，客户端B在节点N上读取行X的值
一致性模型所要做的就是决定客户端B能否看到客户端A写的值

常用的一致性模型：
1、最终一致性（eventual consistency）
最终一致性有个重大缺点：在系统达到副本收敛之前，系统有可能返回任何值
2、强一致性模型（strong consistency）
所有并行的进程（节点，处理器等）看到的是一样的存取顺序
也就是只有一种状态被所有的并行进程观察到，对比与弱一致性（weak consitency），并行进程可能看到不同的状态。

2.3.移动计算,移动数据

移动数据：业务逻辑处理数据时，把数据移动到逻辑计算节点进行计算
移动计算：业务逻辑处理数据时，把计算程序移动到需要计算的数据节点进行计算

HDFS的架构和数据存储原理

Client：就是客户端。

1、文件切分。文件上传 HDFS 的时候，Client 将文件切分成一个一个的Block，然后进行存储。
2、与 NameNode 交互，获取文件的位置信息。
3、与 DataNode 交互，读取或者写入数据。
4、Client 提供一些命令来管理 HDFS，比如启动或者关闭HDFS。
5、Client 可以通过一些命令来访问 HDFS。

NameNode：就是 master，它是一个主管、管理者。

1、管理 HDFS 的名称空间。
2、管理数据块（Block）映射信息
3、配置副本策略
4、处理客户端读写请求。

DataNode：就是Slave。NameNode 下达命令，DataNode 执行实际的操作。

1、存储实际的数据块。
2、执行数据块的读/写操作。

Secondary NameNode：并非 NameNode 的热备。当NameNode 挂掉的时候，它并不能马上替换 NameNode 并提供服务。

1、辅助 NameNode，分担其工作量。
2、定期合并 fsimage和fsedits，并推送给NameNode。
3、在紧急情况下，可辅助恢复 NameNode。

文件上传举例

Client向HDFS上传一个200M大小的日志文件的大致过程

首先，Client发起文件上传请求，即通过RPC与NameNode建立通讯。
NameNode与各DataNode使用心跳机制来获取DataNode信息。NameNode收到Client请求后，获取DataNode信息，并将可存储文件的节点信息返回给Client。
Client收到NameNode返回的信息，与对应的DataNode节点取得联系，并向该节点写文件。
文件写入到DataNode后，以流水线的方式复制到其他DataNode（当然，这里面也有DataNode向NameNode申请block，这里不详细介绍），至于复制多少份，与所配置的hdfs-default.xml中的dfs.replication相关。

为什么选择 HDFS 存储数据？

优点：

(1) 高容错性

1. 数据自动保存多个副本。它通过增加副本的形式，提高容错性。
2. 某一个副本丢失以后，它可以自动恢复，这是由 HDFS 内部机制实现的，我们不必关心。

(2) 适合批处理

3. 它是通过移动计算而不是移动数据。

4. 它会把数据位置暴露给计算框架。

(3) 适合大数据处理

5. 数据规模：能够处理数据规模达到 GB、TB、甚至PB级别的数据。
6. 文件规模：能够处理百万规模以上的文件数量，数量相当之大。
7. 节点规模：能够处理10K节点的规模。

(4) 流式数据访问

8. 一次写入，多次读取，不能修改，只能追加。
9. 它能保证数据的一致性。

(5) 可构建在廉价机器上

10. 它通过多副本机制，提高可靠性。
11. 它提供了容错和恢复机制。比如某一个副本丢失，可以通过其它副本来恢复。

劣势：

不适合低延时数据访问

1. 比如毫秒级的来存储数据，这是不行的，它做不到。
2. 它适合高吞吐率的场景，就是在某一时间内写入大量的数据。但是它在低延时的情况 下是不行的，比如毫秒级以内读取数据，这样它是很难做到的。

无法高效的对大量小文件进行存储

3. 存储大量小文件的话，它会占用 NameNode大量的内存来存储文件、目录和块信息。这样是不可取的，因为NameNode的内存总是有限的。
4. 小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。 改进策略

无法并发写入、文件随机修改

5. 一个文件只能有一个写，不允许多个线程同时写。
6. 仅支持数据 append（追加），不支持文件的随机修改。

HDFS 如何读取文件？

1. 首先调用FileSystem对象的open方法，其实获取的是一个DistributedFileSystem的实例。
2. DistributedFileSystem通过RPC(远程过程调用)获得文件的第一批block的locations，同一block按照重复数会返回多个locations，这些locations按照hadoop拓扑结构排序，距离客户端近的排在前面。
3. 前两步会返回一个FSDataInputStream对象，该对象会被封装成 DFSInputStream 对象，DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方 法，DFSInputStream就会找出离客户端最近的datanode并连接datanode。
4. 数据从datanode源源不断的流向客户端。
5. 如果第一个block块的数据读完了，就会关闭指向第一个block块的datanode连接，接着读取下一个block块。这些操作对客户端来说是透明的，从客户端的角度来看只是 读一个持续不断的流。
6. 如果第一批block都读完了，DFSInputStream就会去namenode拿下一批blocks的location，然后继续读，如果所有的block块都读完，这时就会关闭掉所有的流。

HDFS 如何写入文件？

1. 客户端通过调用 DistributedFileSystem 的create方法，创建一个新的文件。
2. DistributedFileSystem 通过 RPC（远程过程调用）调用 NameNode，去创建一个没有blocks关联的新文件。创建前，NameNode 会做各种校验，比如文件是否存在， 客户端有无权限去创建等。如果校验通过，NameNode 就会记录下新文件，否则就会抛出IO异常。
3. 前两步结束后会返回 FSDataOutputStream 的对象，和读文件的时候相似，FSDataOutputStream 被封装成 DFSOutputStream，DFSOutputStream 可以协调NameNode和 DataNode。客户端开始写数据到DFSOutputStream,DFSOutputStream会把数据切成一个个小packet，然后排成队列data queue。
4. DataStreamer 会去处理接受 data queue，它先问询 NameNode 这个新的 block 最适合存储的在哪几个DataNode里，比如重复数是3，那么就找到3个最适合的DataNode，把它们排成一个 pipeline。DataStreamer 把 packet 按队列输出到管道的第一个 DataNode 中，第一个 DataNode又把 packet 输出到第二个 DataNode 中，以此类推。
5. DFSOutputStream 还有一个队列叫 ack queue，也是由 packet 组成，等待DataNode的收到响应，当pipeline中的所有DataNode都表示已经收到的时候，这时akc queue才会把对应的packet包移除掉。
6. 客户端完成写数据后，调用close方法关闭写入流。
7. DataStreamer 把剩余的包都刷到 pipeline 里，然后等待 ack 信息，收到最后一个ack 后，通知 DataNode 把文件标示为已完成

HDFS 副本存放策略

namenode 如何选择在哪个 datanode 存储副本（replication）？这里需要对可靠性、写入带宽和读取带宽进行权衡。 Hadoop 对 datanode 存储副本有自己的副本策略，在其发展过程中一共有两个版本的副本策略，分别如下所示。

1.Hadoop 0.17之前的副本策略

第一个副本：存储在同机架的不同节点上。
第二个副本：存储在同机架的另外一个节点上。
第三个副本：存储在不同机架的另外一个节点。其它副本：选择随机存储。

2.Hadoop 0.17 之后的副本策略

第一个副本：存储在同 Client 相同节点上。
第二个副本：存储在不同机架的节点上。
第三个副本：存储在第二个副本机架中的另外一个节点上。其它副本：选择随机存储。