Hadoop（三）HDFS写数据的基本流程

HDFS写数据的流程

 

 

• HDFS shell上传文件a.txt，300M

1. 对文件分块，默认每块128M。

2. shell向NameNode发送上传文件请求

3. NameNode检测文件系统目录树，看能否上传

4. NameNode向shell发送允许上传通知

5. shell向NameNode发送上传block1，备份为3的通知。

6. NameNode检测DataNode信息池，查找的3台DataNode的IP，查找的IP有以下机制：

   • 网络拓扑距离最近（经历交换机最少）

   • 如果shell本身就是一个DataNode，本地会备份一份。

   • 相同机架备份一份（关于机架检测，见后文）

   • 不同机架备份一份

7. NameNode把检测到的IP返回给shell

8. shell检测最近的IP，比如DataNode1，建立连接请求数据传输，建立pipeline

   • pipeline是Hadoop用来传输数据的对象，类似流水线的传递。

   • DataNode1向DataNode2建立pipeline

   • DataNode2向DataNode3建立pipeline

9. DataNode3向DataNode2返回pipeline建立成功通知，再逐级返回2-1，1-shell。

10. shell通过OutputStream，以packet（64K）为单位，向DataNode1发送数据，并逐级下发。

    • 各级DataNode接收到后，存储数据到本地。

11. DataNode保存数据后，会逆向逐级发送数据校验包，用于验证数据是否传输完成。

12. 传输完成，关闭pipeline，重复5-11。

机架检测

以下内容是根据该网址内容整理：

https://blog.csdn.net/w182368851/article/details/53729790

https://www.cnblogs.com/zwgblog/p/7096875.html

机架检测的原理其实就是core-site.xml配置文件中配置一个选项:

<property> 
 <name>topology.script.file.name</name> 
 <value>/home/bigdata/apps/hadoop-talkyun/etc/hadoop/topology.sh</value> 
</property> 

 

• 这个配置选项的value指定为一个可执行程序，通常为一个脚本.

• 该脚本接受一个参数，输出一个值。

• 参数通常为某台DataNode机器的ip地址，而输出的值通常为该ip地址对应的DataNode所在的Rack（机架）。

• 流程：

  • NameNode启动时，会判断该配置选项是否为空，如果非空，则表示已经启用机架感知的配置。

  • 此时NameNode会根据配置寻找该脚本。

  • 接收到任何DataNode的心跳（heartbeat）时，将该DataNode的ip地址作为参数传给脚本，就能得到每个DataNode的Rack，保存到内存的一个map中，此使就能知道每台机器是否在同一个机架上了。

• 配置文件简单示例：

#!/usr/bin/python
#-*-coding:UTF-8 -*-
import sys
 
rack = {"NN01":"rack2",
        "NN02":"rack3",
        "DN01":"rack4",
        "DN02":"rack4",
        "DN03":"rack1",
        "DN04":"rack3",
        "DN05":"rack1",
        "DN06":"rack4",
        "DN07":"rack1",
        "DN08":"rack2",
        "DN09":"rack1",
        "DN10":"rack2",
        "172.16.145.32":"rack2",
        "172.16.145.33":"rack3",
        "172.16.145.34":"rack4",
        "172.16.145.35":"rack4",
        "172.16.145.36":"rack1",
        "172.16.145.37":"rack3",
        "172.16.145.38":"rack1",
        "172.16.145.39":"rack4",
        "172.16.145.40":"rack1",
        "172.16.145.41":"rack2",
        "172.16.145.42":"rack1",
        "172.16.145.43":"rack2",
        }
 
if __name__=="__main__":
    print "/" + rack.get(sys.argv[1],"rack0")