前言

从零开始的高并发系列我们已经把 zookeeper 给更新完了，顺带一提之前的zookeeper并没有结合大数据来进行说明。重新开个坑一方面是一直都想找个理由来总结一下大数据方面的东西，另一方面则是抓住时代的走向吧，毕竟也是为了自己，所以废话不多说我们就开始吧。

阅读须知

这类似于一份学习笔记，可是绝对有头有尾，会用最清晰明了的语言来描述知识点，希望大家也能有所收获

重点：大数据的概念性问题偏多，所以文章中不会像以前一样出现堆积代码的情况，更多都是在阐述概念

大数据的话一定要看命令和日志！

以往 zookeeper 的链接（仅涉及Java）

从零开始的高并发（一）--- Zookeeper的基础概念

从零开始的高并发（二）--- Zookeeper实现分布式锁

从零开始的高并发（三）--- Zookeeper集群的搭建和leader选举

从零开始的高并发（四）--- Zookeeper的分布式队列

从零开始的高并发（五）--- Zookeeper的配置中心应用

从零开始的高并发（六）--- Zookeeper的Master选举及官网小览

一、HDFS的概念

先简单过一下基础概念，起码知道接下来要说的东西和这个东西是用来干啥的

1.1 Hadoop架构

HDFS(Hadoop Distributed FileSystem)，由3个模块组成：分布式存储HDFS，分布式计算MapReduce，资源调度框架Yarn

大量的文件可以分散存储在不同的服务器上面

单个文件比较大，单块磁盘放不下，可以切分成很多小的block块，分散存储在不同的服务器上面，各服务器通过网络连接，造成一个整体。

1.2 核心概念block

HDFS3.x上的文件会按照128M为单位切分成一个个的block，分散存储在集群的不同的数据节点datanode上，需要注意的是，这个操作是HDFS自动完成的。

假设我们现在要存储一个300M的文件，这个300M就会被切分成

datanode1：128M + datanode2：128M + datanode3：44M

这时我们需要知道，就算它的底层逻辑会按照128M进行划分，可是datanode3一个实际占用44M的块也是不会占据128M的空间的

1.3 block的副本

为什么hadoop直至今天会这么流行，就是因为它的初始设计就是可以部署在商用服务器上，而我们知道，商用服务器是非常廉价的，而这种廉价的服务器就很容易出现故障，比如CPU,IO内存等等都可能会产生问题

按照我们刚刚1.2的说法，一个文件被分成了3块存储在不同的datanode上，万一其中的一个datanode挂掉，那岂不是这个文件就找不回来了吗，所以hadoop还对我们的每一个数据块做了一个副本，保证数据的可靠性

副本数可以自己进行手动设置，一般是3个副本

hdfs-site.xml

    <configuration>
        <property>
            <name>dfs.replication</name>
            <value>3</value>
        </property>
    </configuration>

可以清晰看到value的值为3，我们的副本数就为3

类似于这些个属性我们是如何得知它们的作用的呢，在hadoop官网上可以查看，这里用的2.7.3。点开官方文档，在左侧边栏拉至最下方可以看到configuration项

当然我们需要找对文件，是HDFS的内容就要找hdfs-default.xml，如果是MapReduce，就要mapred-default.xml，yarn的就是yarn-default.xml

点击hdfs-default.xml，可以按下ctrl+f进行搜索，输入dfs.replication回车

这里我们就可以看到了，dfs.replication的默认值就是为3，后面的参数说明写着default block replication，而下面的参数dfs.replication.max就是副本最大可设置为512的意思了

同样刚刚在 1.2 核心概念block 时我们提到的block大小为128M在这个文件中也可以找到

所以其实每一个数据块block的大小也是可以自主设置的

1.3.1 机架存储策略

实际机房中，会有机架，每个机架上会有若干台服务器

一般来说我们会把一个block的3个副本分别按照下述方法进行存储：

第一个副本就存储在一个机架A上
第二个副本存储在和这个block块不同机架（比如机架B）的一个服务器上

我们存储第2个副本时会优先把副本存储在不同的机架上，这是为了防止出现一个机架断电的情况，如果副本也存储在同机架上的不同服务器上，这时候数据就可能丢失了。

第三个副本存储在机架B的另外一个服务器上（注意副本2,3都存储在了机架B）

为什么会这么选择，因为如果我们把副本3也放在另外一个机架C上，副本2和副本3之间的通信就需要副本2通过它的交换机去联系总交换机，然后总交换机去联系机架C的交换机，需要走的路线非常长，而且机房中的带宽资源非常宝贵，如果处于高并发的情况，很容易就把机房的带宽打满，此时整一个集群的响应速度会急剧下降，这时候服务就会出现问题了。

当然我们的副本数也是可以手动通过命令增加的，在客户端访问量多的时候，可以适当分配一下压力

$ hadoop fs -setrep -R 4 path+FileName

setrep的意思其实就是set replication，设置副本数的缩写，上面命令就是将副本数设置成4份了，后面跟着文件路径和文件名即可

二、HDFS的三大组件

再次强调一下，大数据的框架大部分其实都是主从架构，就是一主多从，等下要讲到的HDFS就是一个NameNode，多个DataNode，MapReduce就是一个JobTracker，多个TaskTracker，Yarn则是一个ResourceManager，多个NodeManager，而Spark就是一个Master和多个Slave

DataNode的介绍其实可以省略，姑且只需要知道它的作用是存放block块的即可。

2.1 NameNode的介绍

大数据框架都是分布式的，可能每个角色都运行在各个不同的服务器上面，需要进行通信的时候就要需要网络的支持，而在我们客户端需要读一个文件的信息时，必须知道我们这个文件被分成了多少个block，各个block又分别存储在哪个服务器上，这种用于描述文件的信息被称为文件的元数据信息（metaData），而metaData就是存储在NameNode的内存中的

2.2 metaData的介绍

metaData的大小：文件，block，目录占用大概150byte字节的元数据，所以为什么说HDFS适合存储大文件而不适合存储小文件，可想而知存储一个大文件就只有一份150byte的元数据，存储N多个小文件就会伴随存在N份150Byte字节的元数据文件，这就非常地不划算

元数据信息以命名空间镜像文件（以下称为fsimage）和编辑日志（以下称为edits log）的方式保存，两者的作用分别是

fsimage：元数据镜像文件，保存了文件系统目录树信息以及文件和块的对应关系
edits log：日志文件，保存了文件的更改记录

为什么元数据需要存储在NameNode的内存中呢，答案很简单，存储在内存中意味着快，当然也会存在问题，就是如果NameNode宕机了，内存就无法读取了，此时为了防止这种情况出现，也为了加快NameNode从故障中恢复的速度，就设计了一个SecondaryNameNode的角色

日志缓存方面：客户端向 HDFS 写文件，会记录下来操作日志，而这时我们会预先准备好两块缓存区域，这个日志在写满了第一块缓存时，会开始录入磁盘，也就是edits log，NameNode的内存中，这种状态就是一个双缓存异步写的操作。这样可以保证客户端写的日志时刻都能被记录下来。

2.3 SecondaryNameNode的介绍

它的作用主要有以下几点

1.备份NameNode中的元数据信息
2.提高NameNode的重启速度
3.必要的时候可作为新的NameNode

为什么说SecondaryNameNode可以提高NameNode的恢复速度？

当集群启动的时候，会记录下启动的时间t，而随着一段时间过去后或者NameNode中的edits log文件存满后就会触发checkPoint操作，在Spark中也会有这个知识点，主要作用就是对重要的数据进行备份的一个操作

对操作步骤进行一个分点阐述方便大家阅读

1.SecondaryNameNode 会通过http get方式把edits log和fsimage的信息拉取过来

2.在SecondaryNameNode中把edits log和fsimage做一个合并，产生一个新的文件叫做fsimage.ckpt

3.在SecondaryNameNode中合并完成之后，再回传给NameNode里面

4.这时大概率会有客户端还在对NameNode进行读写操作，也会产生新的日志，会单独放在一份edits new文件中

5.刚刚回传回来的fsimage.ckpt进行分解，原本的fsimage和edits log，不过此时的edits log会把edits new中的日志文件一同合并作为完整的一份edits log文件

为什么说SecondaryNameNode可以提高NameNode的重启速度

首先搞清楚NameNode节点挂掉后它是如何进行恢复的

首先它会把内存中的镜像文件fsimage读到内存当中，然后通过edits log所记录的所有操作重新执行一遍，把所有的元数据都恢复之后，才能回到关机之前的状态，这个过程十分缓慢

但是有了SecondaryNameNode之后，通过它提供的fsimage.ckpt可以恢复很大一部分的元数据信息，再直接通过执行edits log中所记录下来的，从edits new中合并过来的新操作，就可以进行恢复

而在NameNode确定无法重启之后，SecondaryNameNode就可以通过以下命令作为新的NameNode对外提供服务

hadoop-daemon.sh start namenode

当然我们不难发现，这种方式非常地不优雅，因为在NameNode进行重启或者SecondaryNameNode进行上位的时间段中我们的集群肯定都会有一段空白期，所以之后讲到的hadoop HA的方式就会帮助我们解决这个问题

三、HDFS机制

3.1 心跳机制

心跳机制解决了HDFS集群间的通信问题，还是NameNode命令DataNode执行操作的途径

1.master namenode启动之后，会开一个ipc server
2.slave DataNode启动，连接NameNode，每隔3s向NameNode发送一个心跳，并携带状态信息
3.NameNode通过对这个心跳的返回值来给DataNode传达任务指令

心跳机制的作用

1.NameNode全权管理数据块的复制，它周期性从集群中的每个DataNode接收心跳信号和块状态报告（blockReport），接收到心跳信号意味着该DataNode节点工作正常，块状态报告包含了该DataNode上所有数据块的列表

2.DataNode启动时向NameNode注册，通过后周期性地向NameNode上报blockReport，每3秒向NameNode发送一次心跳，NameNode返回对该DataNode的指令，如将数据块复制到另一台机器，或删除某个数据块等···而当某一个DataNode超过10min还没向NameNode发送心跳，此时NameNode就会判定该DataNode不可用，此时客户端的读写操作就不会再传达到该DataNode上

3.hadoop集群刚开始启动时会进入安全模式（99.99%），就用到了心跳机制，其实就是在集群刚启动的时候，每一个DataNode都会向NameNode发送blockReport，NameNode会统计它们上报的总block数，除以一开始知道的总个数total，当 block/total < 99.99% 时，会触发安全模式，安全模式下客户端就没法向HDFS写数据，只能进行读数据。

3.2 负载均衡

其实就是节点的增加或减少，或者节点的磁盘使用率高低的问题，主要就是通过网络进行数据的迁移工作以达到高可用率

触发命令

$ HADOOP_HOME/sbin/start-balancer.sh -t 5%

5%其实就是刚刚提到的磁盘的利用率差值，大于5%时会触发负载均衡策略

finally

下一篇会继续更新HDFS的读写流程和容错，HA高可用和联邦