HDFS的基本概念
1、HDFS前言
（1）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
（2）在大数据系统中作用
为各类分布式运算框架（如：mapreduce，spark，tez，…）提供数据存储服务
（3）重点概念
文件切块，副本存放，元数据
2、HDFS的概念和特性
概念：
（1）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
（2）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：
（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
注意：
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
HDFS的工作机制
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
2、HDFS写数据流程
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
详细步骤图：
详细步骤解析：
（1）根namenode通信请求上传文件，namenode检查目标文件是否已存在，父目录是否存在
（2）namenode返回是否可以上传
（3）client请求第一个 block该传输到哪些datanode服务器上
（4）namenode返回3个datanode服务器ABC
（5）client请求3台dn中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完成，逐级返回客户端
（6）client开始往A上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答
（7）当一个block传输完成之后，client再次请求namenode上传第二个block的服务器
3、HDFS读数据流程
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
详细步骤图：
详细步骤解析：
（1）跟namenode通信查询元数据，找到文件块所在的datanode服务器
（2）挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流
（3）datanode开始发送数据（从磁盘里面读取数据放入流，以packet为单位来做校验）
（4）客户端以packet为单位接收，现在本地缓存，然后写入目标文件