理解HDFS

综述

当数据集的大小超过一台独立的物理计算机的存储能力时，就有必要对它进行分区并存储到若干台单独的计算机上。HDFS是hadoop的主要分布式存储系统，一个HDFS集群主要包括NameNode用来管理文件系统的metadata，DataNode用来存储实际的数据。下面是HDFS的一些特点

  • 1.Hadoop包括HDFS是一个分布式存储和分布式计算的架构，部署在商用硬件上面，它具有容错性、可扩展和容易扩大规模等特点。MapReduce作为Hadoop的一个组件常被用于处理大规模的分布式应用
  • 2.HDFS的默认configuration能够适用于多数环境，除非是超大规模的集群可能是需要进行微调
  • 3.Hadoop是由java语言开发，具有容易移植的特点
  • 4.Hadoop可以通过shell来控制HDFS，NameNode和DataNode可以通过内置的web server来查看他们的运行状态

HDFS体系结构

HDFS采用master/slave架构。一个HDFS集群一般有一个Namenode和一定数目的Datanode组成。Namenode是一个中心服务器，负责管理文件系统的namespace和客户端对文件的访问。Datanode在集群中一般是一个节点，负责管理节点上它们附带的存储。在内部，一个文件其实分成一个或多个block，这些block存储在Datanode集合里。Namenode执行文件系统的namespace操作，例如打开、关闭、重命名文件和目录，同时决定block到具体Datanode节点的映射。Datanode在Namenode的指挥下进行block的创建、删除和复制

NameNode的工作机制

NameNode是整个系统的管理节点，它维护这整个文件系统的文件目录树，文件/目录的元信息和每个文件对应的数据块列表。接收用户的操作请求
维护文件包括：

  • 1.fsimage：整个文件系统的名字空间，包括数据块到文件的映射、文件的属性等
  • 2.edits：hadoop对于任何对文件系统元数据产生修改的操作
  • 3.fstime：保存最近一次checkpoint的时间
  • 4.NN始终再内存中保存metadata，用于处理请求
  • 5.当有"写"请求到来时，NN会首先写到edit log到磁盘（向edits文件中写日志）成功后返回后才会去修改内存，并向客户端返回
  • 6.NN会维护一个fsimage文件，也就是metadata的镜像，但是fsimage不会随时与NN内存中的metadata保持一致，而是每隔一段时间通过合并edits文件来更新内容(secondary NN是用来合并fsimage和edits文件来更新NN的metadata)

Secondary NameNode(伪分布式或者非HA)

当NameNode启动时，它首先需要从fsimage读取HDFS的状态，然后从edit log file读取edits的信息。NameNode再将新的HDFS的状态写入到fsimage和新建一个空的edits file。在启动阶段，NameNode需要合并fsimage和edits file，edits log file在一个忙碌的集群中文件大小会变得很大，这会导致在重启NameNode时候耗费较长的时间。
Secondary NameNode定期的合并fsimage和edits log 并保持edits log文件在一个适度的大小，它往往运行在不同的机器上面。在启动Secondary NameNode上checkpoint过程主要收到两个参数的 影响

  • dfs.namenode.checkpoint.period：默认的是1 hour，两次连续的checkpoint的最大时间间隔
  • dfs.namenode.checkpoint.period：默认为1 million 超过这个大小就督促进行checkpointed transactions，即使时间间隔还没到

HDFS读取文件过程

  • 1.初始化FileSystem，然后客户端(client)使用FileSystem的open()函数打开文件
  • 2.FileSystem用RPC调用元数据节点，得到文件的数据块信息，即知道数据块被存储在哪几个DataNode上
  • 3.DistributedFileSystem返回一个FSDataInputStream对象给客户端，以便读取数据，客户端对这个输入流调用 read()方法
  • 4.FSDataInputStream连接距离最近的datanode，反复调用read方法，将数据返回到客户端
  • 5.读取结束。客户端直接从DataNode上读取文件，在此过程中NN不参与文件的传输slave通过RPC请求master，master的方法会被调用

HDFS写文件过程

  • 1.上传文件test.log为例子，client向NN发起写的请求，通过RPC与NN建立连接
  • 2.NN会根据文件大小和文件块配置情况，返回给它所管理的DataNode的信息
  • 3.Client将文件划分成多个文件块，根据DataNode的地址信息将数据写入到DataNode中，假设副本数目为3，Hadoop的默认分布策略是：
    • a.在运行客户端的节点上放1个副本，如果客户端是在集群之外就随机选择一个节点
    • b.第二个副本放在与第一个不同的机架上
    • c.第三个副本与第二个副本放在同一个机架上，且随机选择的另一个节点上。

下图是数据块的分布

上传成功后NN始终在内存中保存metadata，用于处理读请求，metadata主要存储文件的名称FileName,副本数量replicas，分多少block存储block-ids,分别存储在哪几个节点上id2host。

Hadoop中的RPC机制

上面讲了那么多不同角色之间的交互，这些进程间的交互都是通过RPC(Remote Procdure Call,远程过程调用)来进行的，它允许一个进程去访问另一个进程的方法，这些对于用户都是透明的，可以说Hadoop的运行是建立在RPC基础之上的，在了解RPC之前我们需要先了解一项技术动态代理，动态代理可以提供对另一个对象的访问，同时隐藏实际对象的具体事实，代理对象对客户隐藏了实际对象。在Hadoop中DataNode端是通过获得NameNode的代理，通过该代理和NameNode进行通信的，为了更好的分析hadoop的RPC机制我想先分析一下动态代理是怎么实现。
目前Java开发包中提供了对动态代理的支持，但现在只支持对接口的实现，我们需要定义一个接口。

interface DynamicService {
    public void show();
}

当实现动态代理的时候，需要实现InvocationHandler类，并且覆写其Invoker方法

class ClassA implements DynamicService {
    @Override
    public void show() {
        System.out.println("this is class A");
    }
}
class ClassB implements DynamicService {
    @Override
    public void show() {
        System.out.println("this is class B");
    }
}
class Invoker implements InvocationHandler {
    DynamicService  ds;
    public  Invoker(DynamicService  ds) {
        this.ds = ds;
    }
    @Override
    public Object invoke(Object proxy, Method method, Object[] args) 
            throws Throwable {
        //add some dynamic methods  here
        method.invoke(ds, args);
        //after
        return null;
    }
}

下面是例子的测试

public static void main(String[] args) {
        Invoker  inv1 = new Invoker(new ClassA());
        DynamicService ds = (DynamicService) Proxy.newProxyInstance(DynamicService.class.getClassLoader(),
                new Class[] {DynamicService.class}, inv1);
        ds.show();
        //添加另外一个
        Invoker  inv2 = new Invoker(new ClassB());
        DynamicService dss = (DynamicService) Proxy.newProxyInstance(DynamicService.class.getClassLoader(),
                new Class[] {DynamicService.class}, inv2);
        dss.show();
    }

现在我们就需要去实现Hadoop RPC，主要分为以下几步

  • 1.定义RPC协议：RPC是客户端与服务器通信接口，它定义了服务器对对外提供的服务接口
  • 2.实现RPC协议：Hadoop RPC通常方式一个Java 接口，用户需要自己去实现接口
  • 3.构造和启动器哦那个RPC服务：使用静态类Builder构造一个RPC Server，并通过start()方法启动该server
  • 4.构造RPC Client 并发送请求：使用RPC.getProxy()构造客户端代理对象，通过代理对象访问远程端的方法
    有了上面的几步，我们现在就可以自己写一个RPC小程序了

定义一个接口

public interface RPCService {
    public static final long versionID = 10010L;//版本号，不同版本号的RPC Client和Server之间不能相互通信
    public String sayHi(String name);
}

实现接口并构造RPC Server服务

public class RPCServer implements RPCService {
    @Override
    public String sayHi(String name) {
        return "server response"+name;
    }
    public static void main(String[] args) throws HadoopIllegalArgumentException, IOException {
        Configuration conf = new Configuration();
        Server server = new RPC.Builder(conf)//
                .setProtocol(RPCService.class)//
                .setBindAddress("10.30.100.11")// 服务器地址
                .setPort(1234)//端口
                .setInstance(new RPCServer())// 设置托管对象
                .build(); 
        server.start();
    }
}

启动服务器之后，服务器就在指定端口监听客户端的请求。服务器就处于监听状态等待客户端请求到达。

构造RPC Client并发出请求

public class RPCClient {
    public static void main(String[] args) throws IOException {
        Configuration conf = new Configuration();
        //接口类型，就可以调用接口中的方法.在客户端获取代理对象，有了代理对象就可以调用目标对象（RPCServer）的方法了
        RPCService proxy = RPC.getProxy(RPCService.class, 
                10010, new InetSocketAddress("10.30.100.11", 1234), conf);//server的代理对象，server必须实现这个接口
        String result = proxy.sayHi("boyaa");
        System.out.println(result);
        RPC.stopProxy(proxy);
    }
}

posted on 2018-03-28 10:42  Wanna_Go  阅读(1148)  评论(0)  编辑  收藏  举报

导航