# hdfs LLMS 索引： [llms.txt](/llms.txt) --- ## HDFS概述 ### HDFS产生背景 随着数据量越来越大，在一个操作系统管辖的范围内存不下了，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种 系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。 ### HDFS概念 HDFS，它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有 各自的角色。HDFS的设计适合一次写入，多次读出的场景，且不支持文件的修改。适合用来做数据分析，并不适合用来做网盘应用 ### HDFS优缺点 #### 优点 - 高容错性 - 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； - 某一个副本丢失以后，它可以自动恢复 - 适合大数据处理 - 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据； - 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。 - 流式数据访问，它能保证数据的一致性。 - 可构建在廉价机器上，通过多副本机制，提高可靠性。 #### 缺点 - 不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。 - 无法高效的对大量小文件进行存储。 - 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； - 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。 - 并发写入、文件随机修改。 - 一个文件只能有一个写，不允许多个线程同时写； - 仅支持数据append（追加），不支持文件的随机修改。 ### HDFS组成架构 ![](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/9fb5b498df7b444087880236c63cdc3d~tplv-k3u1fbpfcp-watermark.image) 这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。 - Client：就是客户端。 - 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； - 与NameNode交互，获取文件的位置信息； - 与DataNode交互，读取或者写入数据； - Client提供一些命令来管理HDFS，比如启动或者关闭HDFS； - 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。 - 管理HDFS的名称空间； - 管理数据块（Block）映射信息； - 配置副本策略； - 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。 - 存储实际的数据块 - 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。 - 辅助NameNode，分担其工作量； - 定期合并Fsimage和Edits，并推送给NameNode； - 在紧急情况下，可辅助恢复NameNode。 ### HDFS文件块大小 HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x 版本中是128M，老版本中是64M。HDFS的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，从磁盘传输数据的 时间会明显大于定位这个块开始位置所需的时间。因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。如果寻址时间约为 10ms，而传输速率为100MB/s，为了使寻址时间仅占传输时间的1%，我们要将块大小设置约为100MB。默认的块大小128MB。块的大小： 10ms*100*100M/s = 100M ![](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/32ad8b86eab94a68b65c10857a3c31eb~tplv-k3u1fbpfcp-watermark.image) ### HDFS写数据流程 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/c6014ed71d4c4d57ae45c7c958e02e7c~tplv-k3u1fbpfcp-watermark.image) - 客户端通过Distributed FileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否已存在，父目录是否存在。 - NameNode返回是否可以上传。 - 客户端请求第一个block上传到哪几个datanode服务器上。 - NameNode返回3个datanode节点，分别为dn1、dn2、dn3。 - 客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后dn2调用dn3，将这个通信管道建立完成。 - dn1、dn2、dn3逐级应答客户端。 - 客户端开始往dn1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，dn1收到一个packet就会传给dn2， dn传给dn3；dn1每传一个packet会放入一个应答队列等待应答。 - 当一个block传输完成之后，客户端再次请求NameNode上传第二个block的服务器。（重复执行3-7步）。 ### 网络拓扑概念 在本地网络中，两个节点被称为“彼此近邻”是什么意思？在海量数据处理中，其主要限制因素是节点之间数据的传输速率——带宽很稀缺。 这里的想法是将两个节点间的带宽作为距离的衡量标准。 节点距离：两个节点到达最近的共同祖先的距离总和。 ![](https://p9-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/c5daea537fea42d7bc72fca6edc765c6~tplv-k3u1fbpfcp-watermark.image) ### HDFS读数据流程 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/b7689706f7194aafa32acdd07b9df0da~tplv-k3u1fbpfcp-watermark.image) - 客户端通过Distributed FileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。 - 挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。 - DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以packet为单位来做校验）。 - 客户端以packet为单位接收，先在本地缓存，然后写入目标文件。 ## MapReduce入门 ### MapReduce定义 Mapreduce是一个分布式运算程序的编程框架，是用户开发“基于hadoop的数据分析应用”的核心框架。Mapreduce核心功能是将用户编写的 业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个hadoop集群上。 ### MapReduce优缺点 - 优点 - MapReduce易于编程。它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。 也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得MapReduce编程变得非常流行。 - 良好的扩展性。当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。 - 高容错性。MapReduce设计的初衷就是使程序能够部署在廉价的PC机器上，这就要求它具有很高的容错性。比如其中一台机器挂了， 它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由Hadoop内部完成的。 - 适合PB级以上海量数据的离线处理。这里加红字体离线处理，说明它适合离线处理而不适合在线处理。比如像毫秒级别的返回一个结果， MapReduce很难做到。 - 缺点 MapReduce不擅长做实时计算、流式计算、DAG（有向图）计算。 - 实时计算。MapReduce无法像Mysql一样，在毫秒或者秒级内返回结果。 - 流式计算。流式计算的输入数据是动态的，而MapReduce的输入数据集是静态的，不能动态变化。这是因为MapReduce自身的设计特点决定- 据源必须是静态的。 - DAG（有向图）计算。多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce并不是不能做， 而是使用后，每个MapReduce作业的输出结果都会写入到磁盘，会造成大量的磁盘IO，导致性能非常的低下。 ### MapReduce核心思想 ![](https://p1-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/591d6d1a27e243f7bf5be80ff9904e1b~tplv-k3u1fbpfcp-watermark.image) - 分布式的运算程序往往需要分成至少2个阶段。 - 第一个阶段的maptask并发实例，完全并行运行，互不相干。 - 第二个阶段的reduce task并发实例互不相干，但是他们的数据依赖于上一个阶段的所有maptask并发实例的输出。 - MapReduce编程模型只能包含一个map阶段和一个reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个mapreduce程序，串行运行。 ### MapReduce进程 一个完整的mapreduce程序在分布式运行时有三类实例进程： - MrAppMaster：负责整个程序的过程调度及状态协调。 - MapTask：负责map阶段的整个数据处理流程。 - ReduceTask：负责reduce阶段的整个数据处理流程。 ### MapReduce编程规范 用户编写的程序分成三个部分：Mapper、Reducer和Driver。 - Mapper阶段 - 用户自定义的Mapper要继承自己的父类 - Mapper的输入数据是KV对的形式（KV的类型可自定义） - Mapper中的业务逻辑写在map()方法中 - Mapper的输出数据是KV对的形式（KV的类型可自定义） - Reducer阶段 - 用户自定义的Reducer要继承自己的父类 - Reducer的输入数据类型对应Mapper的输出数据类型，也是KV - Reducer的业务逻辑写在reduce()方法中 - Reducetask进程对每一组相同k的组调用一次reduce()方法 - Driver阶段 整个程序需要一个Drvier来进行提交，提交的是一个描述了各种必要信息的job对象 > 其实吧我们真实开发也不会说去写mr 但是还是建议大家把最简单的wordcount做了。 ## Yarn ### Yarn 概述 Yarn 是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式 的操作系统平台，而 MapReduce 等运算程序则相当于运行于操作系统之上的应用程序。 ### Yarn 基本架构 YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件 构成 ![](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/6c85d606218e477bbfa8cdcdb7022af4~tplv-k3u1fbpfcp-watermark.image) ### Yarn 工作机制 ![](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/ac47a79a89a142e3b7fe9a09df062d77~tplv-k3u1fbpfcp-watermark.image) - Mr 程序提交到客户端所在的节点。 - Yarnrunner 向 Resourcemanager 申请一个 Application。 - rm 将该应用程序的资源路径返回给 yarnrunner。 - 该程序将运行所需资源提交到 HDFS 上。 - 程序资源提交完毕后，申请运行 mrAppMaster。 - RM 将用户的请求初始化成一个 task。 - 其中一个 NodeManager 领取到 task 任务。 - 该 NodeManager 创建容器 Container，并产生 MRAppmaster。 - Container 从 HDFS 上拷贝资源到本地。 - MRAppmaster 向 RM 申请运行 maptask 资源。 - RM 将运行 maptask 任务分配给另外两个 NodeManager，另两个 NodeManager 分别领取任务并创建容器。 - MR 向两个接收到任务的 NodeManager 发送程序启动脚本，这两个 NodeManager分别启动 maptask，maptask 对数据分区排序。 - MrAppMaster 等待所有 maptask 运行完毕后，向 RM 申请容器，运行 reduce task。 - reduce task 向 maptask 获取相应分区的数据。 - 程序运行完毕后，MR 会向 RM 申请注销自己。