教育行业A股IPO第一股(股票代码 003032)

全国咨询/投诉热线:400-618-4000

HDFS读写流程介绍,HDFS读数据和写数据的原理是什么?

更新时间:2020年12月01日18时29分 来源:传智教育 浏览次数:

传智教育-一样的教育,不一样的品质

      Client(客户端)对HDFS中的数据进行读写操作,分别是Client从HDFS中查找数据,即为Read(读)数据;Client从HDFS中存储数据,即为Write(写)数据。下面我们对HDFS的读写流程进行详细的介绍。假设有一          个文件1.txt文件,大小为300M,这样就划分出3个数据块,如图1所示。

  图1 文件划分情况

  下面,我们借助图1所示的文件,分别讲解HDFS文件读数据和写数据的原理。

  1.HDFS写数据原理

  在我们把文件上传到HDFS系统中,HDFS究竟是如何存储到集群中去的,又是如何创建备份的,接下来我们来学习客户端向HDFS中的写数据的流程,如图2所示。

  图2 HDFS写数据流程

  从图2可以看出,HDFS中的写数据流程可以分为12个步骤,具体如下:

  (1) 客户端发起文件上传请求,通过RPC(远程过程调用)与NameNode建立通讯。

  (2) NameNode检查元数据文件的系统目录树。

  (3) 若系统目录树的父目录不存在该文件相关信息,返回客户端可以上传文件。

  (4) 客户端请求上传第一个Block数据块,以及数据块副本的数量(可以自定义副本数量,也可以使用集群规划的副本数量)。

  (5) NameNode检测元数据文件中DataNode信息池,找到可用的数据节点(DataNode_01,DataNode_02,DataNode_03)。

  (6) 将可用的数据节点的IP地址返回给客户端。

  (7) 客户端请求3台节点中的一台服务器DataNode_01,进行传送数据(本质上是一个RPC调用,建立管道Pipeline),DataNode_01收到请求会继续调用服务器DataNode_02,然后服务器DataNode_02调用服务器DataNode_03。

  (8) DataNode之间建立Pipeline后,逐个返回建立完毕信息。

  (9) 客户端与DataNode建立数据传输流,开始发送数据包(数据是以数据包形式进行发送)。

  (10) 客户端向DataNode_01上传第一个Block数据块,是以Packet为单位(默认64K),发送数据块。当DataNode_01收到一个Packet就会传给DataNode_02,DataNode_02传给DataNode_03; DataNode_01每传送一个Packet都会放入一个应答队列等待应答。

  (11) 数据被分割成一个个Packet数据包在Pipeline上依次传输,而在Pipeline反方向上,将逐个发送Ack(命令正确应答),最终由Pipeline中第一个DataNode节点DataNode_01将Pipeline的 Ack信息发送给客户端。

  (12) DataNode返回给客户端,第一个Block块传输完成。客户端则会再次请求NameNode上传第二个Block块和第三块到服务器上,重复上面的步骤,直到3个Block都上传完毕。

  小提示:

  Hadoop在设计时考虑到数据的安全与高效,数据文件默认在HDFS上存放三份,存储策略为本地一份,同机架内其他某一节点上一份,不同机架的某一节点上一份。

  Ack:检验数据完整性的信息。

  2.HDFS读数据流程

  在前面我们已经知道客户端向HDFS写数据的流程,接下来我们来学习客户端从HDFS中读数据的流程,如图3所示。

  图3 HDFS读数据流程

  从图3可以看出,HDFS中的读数据流程可以分为4个步骤,具体如下:

  (1) 客户端向NameNode发起RPC请求,来获取请求文件Block数据块所在的位置。

  (2) NameNode检测元数据文件,会视情况返回Block块信息或者全部Block块信息,对于每个Block块,NameNode都会返回含有该Block副本的DataNode地址。

  (3) 客户端会选取排序靠前的DataNode来依次读取Block块(如果客户端本身就是DataNode,那么将从本地直接获取数据),每一个Block都会进行CheckSum(完整性验证),若文件不完整,则客户端会继续向NameNode获取下一批的Block列表,直到验证读取出来文件是完整的,则Block读取完毕。

  (4) 客户端会把最终读取出来所有的Block块合并成一个完整的最终文件(例如:1.txt)。

  小提示:

  NameNode返回的DataNode地址,会按照集群拓扑结构得出DataNode与客户端的距离,然后进行排序。排序有两个规则:网络拓扑结构中距离客户端近的则靠前;心跳机制中超时汇报的DataNode状




猜你喜欢:

HBase表常见Shell命令及具体语法操作讲解

Zookeeper分布式系统的集群架构介绍

黑马程序员大数据培训课程 

传智播客大数据培训课程 

0 分享到:
和我们在线交谈!