第十三章:HDFS的數據流

第十三章:HDFS的數據流

來自專欄 大數據技術之Hadoop

第十三章:HDFS的數據流

(作者:memories)

一、HDFS寫數據流程

1、剖析文件寫入

1)客戶端通過Distributed FileSystem模塊向NameNode請求上傳文件,NameNode檢查目標文件是否已存在,父目錄是否存在。

2)NameNode返回是否可以上傳。

3)客戶端請求第一個 block上傳到哪幾個datanode伺服器上。

4)NameNode返回3個datanode節點,分別為dn1、dn2、dn3。

5)客戶端通過FSDataOutputStream模塊請求dn1上傳數據,dn1收到請求會繼續調用dn2,然後dn2調用dn3,將這個通信管道建立完成。

6)dn1、dn2、dn3逐級應答客戶端。

7)客戶端開始往dn1上傳第一個block(先從磁碟讀取數據放到一個本地內存緩存),以packet為單位,dn1收到一個packet就會傳給dn2,dn2傳給dn3;dn1每傳一個packet會放入一個應答隊列等待應答。

8)當一個block傳輸完成之後,客戶端再次請求NameNode上傳第二個block的伺服器。(重複執行3-7步)。

2、網路拓撲概念

在本地網路中,兩個節點被稱為「彼此近鄰」是什麼意思?在海量數據處理中,其主要限制因素是節點之間數據的傳輸速率——帶寬很稀缺。這裡的想法是將兩個節點間的帶寬作為距離的衡量標準。

節點距離:兩個節點到達最近的共同祖先的距離總和。

例如,假設有數據中心d1機架r1中的節點n1。該節點可以表示為/d1/r1/n1。利用這種標記,這裡給出四種距離描述。

大家算一算每兩個節點之間的距離。

3、機架感知(副本節點選擇)

1)官方ip地址:

hadoop.apache.org/docs/

hadoop.apache.org/docs/

2)低版本Hadoop副本節點選擇

第一個副本在Client所處的節點上。如果客戶端在集群外,隨機選一個。

第二個副本和第一個副本位於不相同機架的隨機節點上。

第三個副本和第二個副本位於相同機架,節點隨機。

3)Hadoop2.7.2副本節點選擇

第一個副本在Client所處的節點上。如果客戶端在集群外,隨機選一個。

第二個副本和第一個副本位於相同機架,隨機節點。

第三個副本位於不同機架,隨機節點。

二、HDFS讀數據流程

1)客戶端通過Distributed FileSystem向NameNode請求下載文件,NameNode通過查詢元數據,找到文件塊所在的DataNode地址。

2)挑選一台DataNode(就近原則,然後隨機)伺服器,請求讀取數據。

3)DataNode開始傳輸數據給客戶端(從磁碟裡面讀取數據輸入流,以packet為單位來做校驗)。

4)客戶端以packet為單位接收,先在本地緩存,然後寫入目標文件。


推薦閱讀:

Rust 重構 Spark 框架需要做哪些準備工作?
邏輯回歸演算法原理及Spark MLlib調用
如何在 Spark 機器學習中應用 scikit-learn?
Scala快速入門系列:聲明變數、控制結構與函數、常用數組操作
Spark Streaming:大規模流式數據處理的新貴

TAG:Hadoop | 大數據 | Spark |