Hadoop2.7.6_03_HDFS原理详解大数据

 

1. HDFS前言

l  设计思想

  分而治之:将大文件、大批量文件,分布式存放在大量服务器上,以便于采取分而治之的方式对海量数据进行运算分析;

 

l  在大数据系统中作用:

  为各类分布式运算框架(如:mapreduce,spark,……)提供数据存储服务

 

l  重点概念:文件切块,副本存放,元数据

 

2. HDFS的概念和特性

首先,它是一个文件系统,用于存储文件,通过统一的命名空间——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;

 

重要特性如下:

(1)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

(2)HDFS文件系统会给客户端提供一个统一的抽象目录树,客户端通过路径来访问文件,形如:hdfs://namenode:port/dir-a/dir-b/dir-c/file.data

(3)目录结构及文件分块信息(元数据)的管理由namenode节点承担

  ——namenode是HDFS集群主节点,负责维护整个hdfs文件系统的目录树,以及每一个路径(文件)所对应的block块信息(block的id,及所在的datanode服务器)

(4)文件的各个block的存储管理由datanode节点承担

  —- datanode是HDFS集群从节点,每一个block都可以在多个datanode上存储多个副本(副本数量也可以通过参数设置dfs.replication)

(5)HDFS是设计成适应一次写入,多次读出的场景,且不支持文件的修改

(注:适合用来做数据分析,并不适合用来做网盘应用,因为,不便修改,延迟大,网络开销大,成本太高)

 

3. hdfs的工作机制

3.1. 概述

  1. HDFS集群分为两大角色:NameNode、DataNode  (Secondary Namenode)
  2. NameNode负责管理整个文件系统的元数据
  3. DataNode 负责管理用户的文件数据块
  4. 文件会按照固定的大小(blocksize)切成若干块后分布式存储在若干台datanode上
  5. 每一个文件块可以有多个副本,并存放在不同的datanode上
  6. Datanode会定期向Namenode汇报自身所保存的文件block信息,而namenode则会负责保持文件的副本数量
  7. HDFS的内部工作机制对客户端保持透明,客户端请求访问HDFS都是通过向namenode申请来进行

3.2. HDFS写数据流程

3.2.1. 概述

  客户端要向HDFS写数据,首先要跟namenode通信以确认可以写文件并获得接收文件block的datanode,然后,客户端按顺序将文件逐个block传递给相应datanode,并由接收到block的datanode负责向其他datanode复制block的副本

3.2.2.  详细步骤图

Hadoop2.7.6_03_HDFS原理详解大数据

 

HDFS存放策略

 

1 1、如果该节点为写入节点,那么在该节点会保留一个副本。 
2 2、尽量将一个块不同的副本分布到其他机架上【跨机架】,以便集群能够在整个机架损失中生存。 
3 3、其中一个副本通常放置在与向文件写入节点相同的机架上,以便减少跨机架网络I/O。 
4 4、将HDFS数据统一分布在集群中的DataNodes中。

 

 

3.3. HDFS读数据流程

3.3.1. 概述

  客户端将要读取的文件路径发送给namenode,namenode获取文件的元信息(主要是block的存放位置信息)返回给客户端,客户端根据返回的信息找到相应datanode逐个获取文件的block并在客户端本地进行数据追加合并从而获得整个文件

3.3.2. 详细步骤图

Hadoop2.7.6_03_HDFS原理详解大数据

 

4. NAMENODE工作机制  

  理解namenode的工作机制尤其是元数据管理机制,以增强对HDFS工作原理的理解,及培养hadoop集群运营中“性能调优”、“namenode”故障问题的分析解决能力

4.1. NAMENODE职责

NAMENODE职责:

  负责客户端请求的响应

  元数据的管理(查询,修改)

 

4.2. 元数据管理

namenode对数据的管理采用了三种存储形式:

  内存元数据(NameSystem)

  磁盘元数据镜像文件

  数据操作日志文件(可通过日志运算出元数据)

4.2.1. 元数据存储机制

  A、内存中有一份完整的元数据(内存meta data)

  B、磁盘有一个“准完整”的元数据镜像(fsimage)文件(在namenode的工作目录中)

  C、用于衔接内存metadata和持久化元数据镜像fsimage之间的操作日志(edits文件) 

    注:当客户端对hdfs中的文件进行新增或者修改操作,操作记录首先被记入edits日志文件中,当客户端操作成功后,相应的元数据会更新到内存meta.data

4.2.2. 元数据手动查看

可以通过hdfs的一个工具来查看edits中的信息 
bin/hdfs oev -i edits -o edits.xml 
bin/hdfs oiv -i fsimage_0000000000000000087 -p XML -o fsimage.xml 

4.2.3. 元数据的checkpoint

  每隔一段时间,会由secondary namenode将namenode上积累的所有edits和一个最新的fsimage下载到本地,并加载到内存进行merge(这个过程称为checkpoint)

checkpoint的详细过程如下:

Hadoop2.7.6_03_HDFS原理详解大数据

 

checkpoint操作的触发条件配置参数:

1 dfs.namenode.checkpoint.check.period=60  #检查触发条件是否满足的频率,60秒 
2 dfs.namenode.checkpoint.dir=file://${hadoop.tmp.dir}/dfs/namesecondary 
3 #以上两个参数做checkpoint操作时,secondary namenode的本地工作目录 
4 dfs.namenode.checkpoint.edits.dir=${dfs.namenode.checkpoint.dir} 
5  
6 dfs.namenode.checkpoint.max-retries=3  #最大重试次数 
7 dfs.namenode.checkpoint.period=3600  #两次checkpoint之间的时间间隔3600秒 
8 dfs.namenode.checkpoint.txns=1000000 #两次checkpoint之间最大的操作记录

 

checkpoint的附带作用:

  namenode和secondary namenode的工作目录存储结构完全相同,所以,当namenode故障退出需要重新恢复时,可以从secondary namenode的工作目录中将fsimage拷贝到namenode的工作目录,以恢复namenode的元数据

 

4.2.4. 元数据目录说明

  在第一次部署好Hadoop集群的时候,我们需要在NameNode(NN)节点上格式化磁盘:

$HADOOP_HOME/bin/hdfs namenode -format 

    格式化完成之后,将会在$dfs.namenode.name.dir/current目录下如下的文件结构

current/ 
|-- VERSION 
|-- edits_* 
|-- fsimage_0000000000008547077 
|-- fsimage_0000000000008547077.md5 
`-- seen_txid 

  其中的dfs.name.dir是在hdfs-site.xml文件中配置的,默认值如下:

<property> 
  <name>dfs.name.dir</name> 
  <value>file://${hadoop.tmp.dir}/dfs/name</value> 
</property> 
 
hadoop.tmp.dir是在core-site.xml中配置的,默认值如下 
<property> 
  <name>hadoop.tmp.dir</name> 
  <value>/app/hadoop/tmp</value> 
  <description>A base for other temporary directories.</description> 
</property> 

  

dfs.namenode.name.dir属性可以配置多个目录,

如file://${hadoop.tmp.dir}/dfs/name,file://${hadoop.tmp.dir}/dfs/name1,file://${hadoop.tmp.dir}/dfs/name2,….。各个目录存储的文件结构和内容都完全一样,相当于备份,这样做的好处是当其中一个目录损坏了,也不会影响到Hadoop的元数据,特别是当其中一个目录是NFS(网络文件系统Network File System,NFS)之上,即使你这台机器损坏了,元数据也得到保存。

 

  下面对$dfs.namenode.name.dir/current/目录下的文件进行解释。
1、VERSION文件是Java属性文件,内容大致如下:

1 #Mon Jun 18 10:40:00 CST 2018 
2 namespaceID=41528730 
3 clusterID=CID-72e356f5-7723-4960-885a-72e522e19be1 
4 cTime=0 
5 storageType=NAME_NODE 
6 blockpoolID=BP-925531343-10.0.0.11-1528537498201 
7 layoutVersion=-63

其中
  (1)、namespaceID是文件系统的唯一标识符,在文件系统首次格式化之后生成的;
  (2)、storageType说明这个文件存储的是什么进程的数据结构信息(如果是DataNode,storageType=DATA_NODE);
  (3)、cTime表示NameNode存储时间的创建时间,由于我的NameNode没有更新过,所以这里的记录值为0,以后对NameNode升级之后,cTime将会记录更新时间戳;
  (4)、layoutVersion表示HDFS永久性数据结构的版本信息, 只要数据结构变更,版本号也要递减,此时的HDFS也需要升级,否则磁盘仍旧是使用旧版本的数据结构,这会导致新版本的NameNode无法使用;
  (5)、blockpoolID:是针对每一个Namespace所对应的blockpool的ID,上面的这个BP-925531343-10.0.0.11-1528537498201就是在我的ns1的namespace下的存储块池的ID,这个ID包括了其对应的NameNode节点的ip地址。
  (6)、clusterID是系统生成或手动指定的集群ID,在-clusterid选项中可以使用它;如下说明

a、使用如下命令格式化一个Namenode: 
$HADOOP_HOME/bin/hdfs namenode -format [-clusterId <cluster_id>] 
选择一个唯一的cluster_id,并且这个cluster_id不能与环境中其他集群有冲突。如果没有提供cluster_id,则会自动生成一个唯一的ClusterID。 
b、使用如下命令格式化其他Namenode: 
 $HADOOP_HOME/bin/hdfs namenode -format -clusterId <cluster_id> 
c、升级集群至最新版本。在升级过程中需要提供一个ClusterID,例如: 
$HADOOP_PREFIX_HOME/bin/hdfs start namenode --config $HADOOP_CONF_DIR  -upgrade -clusterId <cluster_ID> 
如果没有提供ClusterID,则会自动生成一个ClusterID。

 

2、$dfs.namenode.name.dir/current/seen_txid非常重要,是存放transactionId的文件,format之后是0,它代表的是当前namenode里面的edits_inprogress_*文件的尾数,namenode重启的时候,会检查seen_txid的数字。

       seen_txid 包含最后一个checkpoint 的最后一个事务ID(合并edits 到一个fsimage)或者edit log roll(定稿当前的edits_inprogress并且创建一个新的)。这不是NameNode接受的最后一个事务ID。这个文件不会在每个事物上更新,只有在checkpoint 或edit log roll时才更新。

       此文件的目的是试图确定在启动期间是否缺少edits 。

       可以配置NameNode,对fsimage和edits文件使用单独的目录。如果edits目录意外地被删除,那么自最近一次checkpoint之后的所有事物都会丢失,并且NameNode启动只能使用fsimage并维持在一个旧状态。

       为了防止这种情况,NameNode启动时也会检查seen_txid ,去验证它至少可以通过该数字加载事务。如果无法验证加载事务,它将中止启动。

 

       具体启动过程如下:

 1 [[email protected] current]$ pwd 
 2 /app/hadoop/tmp/dfs/name/current 
 3 [[email protected] current]$ ll -h   # 启动前  
 4 ……………… 
 5 -rw-rw-r-- 1 yun yun   42 Jun 18 20:17 edits_0000000000000003236-0000000000000003237 
 6 -rw-rw-r-- 1 yun yun   42 Jun 18 21:17 edits_0000000000000003238-0000000000000003239 
 7 -rw-rw-r-- 1 yun yun 1.0M Jun 18 21:17 edits_0000000000000003240-0000000000000003240 
 8 -rw-rw-r-- 1 yun yun 1.0M Jun 19 11:04 edits_0000000000000003241-0000000000000003241 
 9 -rw-rw-r-- 1 yun yun 1.0M Jun 19 11:36 edits_0000000000000003242-0000000000000003585 
10 -rw-rw-r-- 1 yun yun 1.0M Jun 19 11:37 edits_inprogress_0000000000000003586 
11 -rw-rw-r-- 1 yun yun  30K Jun 18 21:17 fsimage_0000000000000003239 
12 -rw-rw-r-- 1 yun yun   62 Jun 18 21:17 fsimage_0000000000000003239.md5 
13 -rw-rw-r-- 1 yun yun  30K Jun 19 11:04 fsimage_0000000000000003240 
14 -rw-rw-r-- 1 yun yun   62 Jun 19 11:04 fsimage_0000000000000003240.md5 
15 -rw-rw-r-- 1 yun yun    5 Jun 19 11:37 seen_txid 
16 -rw-rw-r-- 1 yun yun  199 Jun 19 11:04 VERSION 
17 [[email protected] current]$ cat seen_txid  
18 3586 
19  
20 ######################################### 
21 ### 启动过程中的日志 
22 …….common.Storage: Lock on /app/hadoop/tmp/dfs/name/in_use.lock acquired by nodename 10011@mini01 
23 …….FileJournalManager: Recovering unfinalized segments in /app/hadoop/tmp/dfs/name/current 
24 …….FileJournalManager: Finalizing edits file /app/hadoop/tmp/dfs/name/current/edits_inprogress_0000000000000003586 -> /app/hadoop/tmp/dfs/name/current/edits_0000000000000003586-0000000000000003596 
25 …….FSImage: Planning to load image: FSImageFile(file=/app/hadoop/tmp/dfs/name/current/fsimage_0000000000000003240, cpktTxId=0000000000000003240) 
26 …….FSImageFormatPBINode: Loading 347 INodes. 
27 …….FSImageFormatProtobuf: Loaded FSImage in 0 seconds. 
28 …….FSImage: Loaded image for txid 3240 from /app/hadoop/tmp/dfs/name/current/fsimage_0000000000000003240 
29 …….FSImage: Reading org.apache.hadoop.hdfs.server.namenode.RedundantEditLogInputStrea[email protected] expecting start txid #3241 
30 …….FSImage: Start loading edits file /app/hadoop/tmp/dfs/name/current/edits_0000000000000003241-0000000000000003241 
31 …….EditLogInputStream: Fast-forwarding stream '/app/hadoop/tmp/dfs/name/current/edits_0000000000000003241-0000000000000003241' to transaction ID 3241 
32 …….FSImage: Edits file /app/hadoop/tmp/dfs/name/current/edits_0000000000000003241-0000000000000003241 of size 1048576 edits # 1 loaded in 0 seconds 
33 …….FSImage: Reading org.apache.hadoop.hdfs.server.namenode.RedundantEditLogInputStrea[email protected] expecting start txid #3242 
34 …….FSImage: Start loading edits file /app/hadoop/tmp/dfs/name/current/edits_0000000000000003242-0000000000000003585 
35 …….EditLogInputStream: Fast-forwarding stream '/app/hadoop/tmp/dfs/name/current/edits_0000000000000003242-0000000000000003585' to transaction ID 3241 
36 …….FSImage: Edits file /app/hadoop/tmp/dfs/name/current/edits_0000000000000003242-0000000000000003585 of size 1048576 edits # 344 loaded in 0 seconds 
37 …….FSImage: Reading org.apache.hadoop.hdfs.server.namenode.RedundantEditLogInputStrea[email protected] expecting start txid #3586 
38 …….FSImage: Start loading edits file /app/hadoop/tmp/dfs/name/current/edits_0000000000000003586-0000000000000003596 
39 …….EditLogInputStream: Fast-forwarding stream '/app/hadoop/tmp/dfs/name/current/edits_0000000000000003586-0000000000000003596' to transaction ID 3241 
40 …….FSImage: Edits file /app/hadoop/tmp/dfs/name/current/edits_0000000000000003586-0000000000000003596 of size 1048576 edits # 1 loaded in 0 seconds 
41 …….FSImage: Initializing quota with 4 thread(s) 
42 …….FSImage: Quota initialization completed in 22 milliseconds 
43 …………………… 
44 …….FSEditLog: Starting log segment at 3597 
45 ######################################## 
46  
47 [[email protected] current]$ ll -h   # 启动后  
48 ……………… 
49 -rw-rw-r-- 1 yun yun   42 Jun 18 20:17 edits_0000000000000003236-0000000000000003237 
50 -rw-rw-r-- 1 yun yun   42 Jun 18 21:17 edits_0000000000000003238-0000000000000003239 
51 -rw-rw-r-- 1 yun yun 1.0M Jun 18 21:17 edits_0000000000000003240-0000000000000003240 
52 -rw-rw-r-- 1 yun yun 1.0M Jun 19 11:04 edits_0000000000000003241-0000000000000003241 
53 -rw-rw-r-- 1 yun yun 1.0M Jun 19 11:36 edits_0000000000000003242-0000000000000003585 
54 -rw-rw-r-- 1 yun yun 1.0M Jun 19 11:37 edits_0000000000000003586-0000000000000003596 
55 -rw-rw-r-- 1 yun yun 1.0M Jun 19 11:40 edits_inprogress_0000000000000003597 
56 -rw-rw-r-- 1 yun yun  30K Jun 18 21:17 fsimage_0000000000000003239 
57 -rw-rw-r-- 1 yun yun   62 Jun 18 21:17 fsimage_0000000000000003239.md5 
58 -rw-rw-r-- 1 yun yun  30K Jun 19 11:04 fsimage_0000000000000003240 
59 -rw-rw-r-- 1 yun yun   62 Jun 19 11:04 fsimage_0000000000000003240.md5 
60 -rw-rw-r-- 1 yun yun    5 Jun 19 11:40 seen_txid 
61 -rw-rw-r-- 1 yun yun  199 Jun 19 11:04 VERSION 
62 [[email protected] current]$ cat seen_txid  
63 3597

  说明如下:

  1、对当前的 edits_inprogress_0000000000000003586 日志定稿;

  2、加载最近的fsimage镜像 fsimage_0000000000000003240;

  3、循环加载edits日志 从事物ID编号 3241开始到 3586【启动前的 seen_txid 数字】;   那么要加载的edits日志有如下几个:

  【edits_0000000000000003241-0000000000000003241,edits_0000000000000003242-0000000000000003585,edits_0000000000000003586-0000000000000003596】

    这样就能保证所有edits日志加载完毕。意味着已完成HDFS元数据的加载。

  4、开始一个新的日志 edits_inprogress_0000000000000003597 ,并更新 seen_txid 信息,改为 3597。

 

3、$dfs.namenode.name.dir/current目录下在format的同时也会生成fsimage和edits文件,及其对应的md5校验文件。

 

补充:seen_txid

文件中记录的是edits滚动的序号,每次重启namenode时,namenode就知道要将哪些edits进行加载edits

 

5. DATANODE的工作机制

5.1. 概述

1、Datanode工作职责:

  存储管理用户的文件块数据

  定期向namenode汇报自身所持有的block信息(通过心跳信息上报)

  (这点很重要,因为,当集群中发生某些block副本失效时,集群如何恢复block初始副本数量的问题)

1 <property> 
2     <name>dfs.blockreport.intervalMsec</name> 
3     <value>3600000</value> 
4     <description>Determines block reporting interval in milliseconds.</description> 
5 </property>

2、Datanode掉线判断时限参数

  datanode进程死亡或者网络故障造成datanode无法与namenode通信,namenode不会立即把该节点判定为死亡,要经过一段时间,这段时间暂称作超时时长。HDFS默认的超时时长为10分钟+30秒。如果定义超时时间为timeout,则超时时长的计算公式为:

       timeout  = 2 * heartbeat.recheck.interval + 10 * dfs.heartbeat.interval。

       而默认的heartbeat.recheck.interval 大小为5分钟,dfs.heartbeat.interval默认为3秒。

       需要注意的是hdfs-site.xml 配置文件中的heartbeat.recheck.interval的单位为毫秒,dfs.heartbeat.interval的单位为秒。所以,举个例子,如果heartbeat.recheck.interval设置为5000(毫秒),dfs.heartbeat.interval设置为3(秒,默认),则总的超时时间为40秒。

 

1 <property> 
2         <name>heartbeat.recheck.interval</name> 
3         <value>2000</value> 
4 </property> 
5 <property> 
6         <name>dfs.heartbeat.interval</name> 
7         <value>1</value> 
8 </property>

5.2. 观察验证DATANODE功能

  上传一个文件,观察文件的block具体的物理存放情况:

1 ### 在每一台datanode机器上的这个目录中能找到文件的切块: 
2 [[email protected] finalized]$ pwd 
3 /app/hadoop/tmp/dfs/data/current/BP-925531343-10.0.0.11-1528537498201/current/finalized

 

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/9101.html

(0)
上一篇 2021年7月19日
下一篇 2021年7月19日

相关推荐

发表回复

登录后才能评论