大数据频道 频道

技术解析:HDFS应用场景、原理和基本架构

  【IT168 技术】HDFS是什么? 易于扩展的分布式文件系统,运行在大量普通廉价机器上,提供容错机制为大量用户提供性能不错的文件存取服务。

  一、HDFS是什么?

  源自于Google的GFS论文发表于2003年10月HDFS是GFS克隆版

  Hadoop Distributed File System易于扩展的分布式文件系统运行在大量普通廉价机器上,提供容错机制为大量用户提供性能不错的文件存取服务。

  1、HDFS优点

  高容错性数据自动保存多个副本副本丢失后,自动恢复适合批处理移动计算而非数据数据位置暴露给计算框架适合大数据处理GB、TB、甚至PB级数据百万规模以上的文件数量10K+节点规模流式文件访问一次性写入,多次读取保证数据一致性可构建在廉价机器上通过多副本提高可靠性提供了容错和恢复机制

  2、HDFS缺点

  低延迟数据访问比如毫秒级低延迟与高吞吐率小文件存取占用NameNode大量内存寻道时间超过读取时间并发写入、文件随机修改一个文件只能有一个写者仅支持append

  3、HDFS设计思想

技术解析:HDFS应用场景、原理和基本架构

技术解析:HDFS应用场景、原理和基本架构

技术解析:HDFS应用场景、原理和基本架构

  4、HDFS数据块(block)

  文件被切分成固定大小的数据块默认数据块大小为64MB,可配置若文件大小不到64MB,则单独存成一个block为何数据块如此之大 ?数据传输时间超过寻道时间(高吞吐率)一个文件存储方式按大小被切分成若干个block,存储到不同节点上默认情况下每个block有三个副本

  5、HDFS写流程

技术解析:HDFS应用场景、原理和基本架构

  6、HDFS读流程

技术解析:HDFS应用场景、原理和基本架构

  7、HDFS典型物理拓扑

技术解析:HDFS应用场景、原理和基本架构

  8、HDFS副本放置策略

技术解析:HDFS应用场景、原理和基本架构

  9、HDFS可靠性策略

技术解析:HDFS应用场景、原理和基本架构

  10、HDFS不适合存储小文件

  元信息存储在NameNode内存中一个节点的内存是有限的存取大量小文件消耗大量的寻道时间类比拷贝大量小文件与拷贝同等大小的一个大文件NameNode存储block数目是有限的一个block元信息消耗大约150 byte内存存储1亿个block,大约需要20GB内存如果一个文件大小为10K,则1亿个文件大小仅为1TB(但要消耗掉NameNode 20GB内存)

  二、HDFS访问方式

  HDFS Shell命令HDFS Java APIHDFS REST APIHDFS Fuse:实现了fuse协议HDFS lib hdfs:C/C++访问接口HDFS 其他语言编程API使用thrift实现 ** 支持C++、Python、php、C#等语言

  HDFS Shell命令—概览

技术解析:HDFS应用场景、原理和基本架构

  将本地文件上传到HDFS上

  bin/hadoop fs -copyFromLocal /local/data /hdfs/data

  删除文件/目录

  bin/hadoop fs -rmr /hdfs/data

  创建目录

  bin/hadoop fs -mkdir /hdfs/data

  HDFS Shell命令—管理脚本

  bin/hadoop dfsadmin

  在sbin目录下

  start-all.sh

  start-dfs.sh

  start-yarn.sh

  hadoop-deamon(s).sh

  单独启动某个服务

  hadoop-deamon.sh start namenode

  hadoop-deamons.sh start namenode(通过SSH登录到各个节点)

  HDFS Shell命令—文件管理命令fsck

技术解析:HDFS应用场景、原理和基本架构

  描述检查hdfs中文件的健康状况查找缺失的块以及过少或过多副本的块查看一个文件的所有数据块位置删除损坏的数据块

  HDFS Shell命令—数据均衡器balancer

  数据块重分布

  bin/start-balancer.sh -threshold <percentage of disk capacity>

  percentage of disk capacityHDFS达到平衡状态的磁盘使用率偏差值值越低各节点越平衡,但消耗时间也更长

  HDFS Shell命令—设置目录份额

  限制一个目录最多使用磁盘空间

  bin/hadoop dfsadmin -setSpaceQuota 1t /user/username

  限制一个目录包含的最多子目录和文件数目

  bin/hadoop dfsadmin -setQuota 10000 /user/username

  HDFS Shell命令—增加/移除节点

技术解析:HDFS应用场景、原理和基本架构

  三、HDFS Java API介绍

  Configuration类:该类的对象封装了配置信息,这些配置信息来自core-.xml;FileSystem类:文件系统类,可使用该类的方法对文件/目录进行操作。一般通过FileSystem的静态方法 get获得一个文件系统对象;FSDataInputStream和FSDataOutputStream类:HDFS中的输入输出流。分别通过FileSystem的open方法和create方法获得。 以上类均来自java包:org.apache.hadoop.fs

  HDFS Java程序举例

  将本地文件拷贝到HDFS上

  Configuration config = new Configuration();

  FileSystem hdfs = FileSystem.get(config);

  Path srcPath = new Path(srcFile);

  Path dstPath = new Path(dstFile);

  hdfs.copyFromLocalFile(srcPath, dstPath);

  创建HDFS文件;

  //byte[] buff – 文件内容

  Configuration config = new Configuration();

  FileSystem hdfs = FileSystem.get(config);

  Path path = new Path(fileName);

  FSDataOutputStream outputStream = hdfs.create(path);

  outputStream.write(buff, 0, buff.length);

  四、Hadoop 2.0新特性

  NameNode HANameNode FederationHDFS 快照(snapshot)HDFS 缓存(in-memory cache)HDFS ACL异构层级存储结构(Heterogeneous Storage hierarchy)

  1、HA与Federation

技术解析:HDFS应用场景、原理和基本架构

  2、异构层级存储结构—背景

  HDFS将所有存储介质抽象成性能相同的Disk

  <property>

  <name>dfs.datanode.data.dir</name>

  <value>/dir0,/dir1,/dir2,/dir3</value>

  </property>

  存储介质种类繁多,一个集群中存在多种异构介质? 磁盘、SSD、RAM等多种类型的任务企图同时运行在同一个Hadoop集群中批处理,交互式处理,实时处理不同性能要求的数据,最好存储在不同类别的存储介质上

  3、异构层级存储结构—原理

  <property>

  <name>dfs.datanode.data.dir</name>

  <value>[disk]/dir0,[disk]/dir1,[ssd]/dir2,[ssd]/dir3</value>

  </property>

技术解析:HDFS应用场景、原理和基本架构

  4、异构层级存储结构—原理

  HDFS仅提供了一种异构存储结构,并不知道存储介质的性能;HDFS为用户提供了API,以控制目录/文件写到什么介质上;HDFS为管理员提供了管理工具,可限制每个用户对每种介质的可使用份额;目前完成度不高阶段1:DataNode支持异构存储介质(HDFS-2832,完成)阶段2:为用户提供访问API(HDFS-5682,未完成)

  五、HDFS ACL—基于POSIX ACL的实现

技术解析:HDFS应用场景、原理和基本架构

  六、HDFS快照—背景

  HDFS上文件和目录是不断变化的,快照可以帮助用户保存某个时刻的数据;HDFS快照的作用防止用户误操作删除数据数据备份

  HDFS快照—基本使用方法

技术解析:HDFS应用场景、原理和基本架构

  七、HDFS缓存

  HDFS自身不提供数据缓存功能,而是使用OS缓存容易内存浪费,eg.一个block三个副本同时被缓存多种计算框架共存,均将HDFS作为共享存储系统MapReduce:离线计算,充分利用磁盘Impala:低延迟计算,充分利用内存Spark:内存计算框架HDFS应让多种混合计算类型共存一个集群中合理的使用内存、磁盘等资源比如,高频访问的特点文件应被尽可能长期缓存,防止置换到磁盘上

  HDFS缓存—原理

技术解析:HDFS应用场景、原理和基本架构

  HDFS缓存—实现情况用户需通过命令显式的将一个目录或文件加入/移除缓存不支持块级别的缓存不支持自动化缓存可设置缓存失效时间缓存目录:仅对一级文件进行缓存不会递归缓存所有文件与目录以pool的形式组织缓存资源借助YARN的资源管理方式,将缓存划分到不同pool中每个pool有类linux权限管理机制、缓存上限、失效时间等独立管理内存,未与资源管理系统YARN集成用户可为每个DN设置缓存大小,该值独立于YARN。

1
相关文章