HDFS初探之数据流

一、文件读取剖析
        为了了解客户端及与之交互的HDFS、namenode和datanode之间的数据流是什么样的，可以参考下图，该图显示了在读取文件时一些时间的主要顺序：

图1 客户端读取HDFS中的数据

        客户端通过调用FileSyste对象的open()方法来打开希望读取的文件，对于HDFS来说，这个对象是分布式文件系统（步骤1）的一个实例。DistributedFileSystem通过使用RPC来调用namenode，以确定文件起始块的位置（步骤2）。对于每一个块，namenode返回存有该块复本的datanode地址。此外，这些datanode根据它们与客户端的距离来排序（根据集群的网络拓扑）。如果该客户端本身就是一个datanode（比如：在一个MapReduce任务中），并保存有相应数据块的一个复本时，该节点将从本地datanode中读取数据。
        DistributedFileStream类返回一个FSDataInputStream对象（一个支持文件定位的输入流）给客户端并读取数据。FSDataInputStream类转而封装DFSInputStream对象，该对象管理着datanode和namenode的I/O。
        接着，客户端对这个输入流调用read()方法（步骤3）。存储着文件起始块的datanode地址的DFSInputStream随即连接距离最近的datanode。通过对数据流反复调用read()方法，可以将数据从datanode传输到客户端（步骤4）。到达块的末端时，DFSInputStream会关闭与该datanode的连接，然后寻找下一个块的最佳datanode（步骤5）。客户端只需要读取连续的流，并且对于客户端都是透明的。
        客户端从流中读取数据时，块是按照打开DFSInputStream与datanode新建连接的顺序读取的，它也需要询问namenode来检索下一批所需块的datanode的位置。一旦客户端完成读取，就对FSDataInputStream调用close()方法（步骤6）。
        在读取数据的时候，如果DFSInputStream在与datanode通信时遇到错误，它便会尝试从这个块的另外一个最邻近datanode读取数据。它也会记住那个故障datanode，以保证以后不会反复读取该节点上后续的块。DFSInputSteam也会通过教研和确认从datanode发来的数据是否完整。如果发现一个损坏的块，它就会在DFSInputStream试图从其它datanode读取一个块的复本之前通知namenode。
        这个设计的一个重点是，namenode告知客户端每个块中最佳的datanode，并让客户端直接联系该datanode且检索数据。由于数据流分散在该集群中的所有datanode，所以这种设计能使HDFS可扩展到大量的并发客户端。同时，namenode仅需要响应块位置的请求（这些信息存储在内存中，因而非常高效），而无需响应数据请求，否则随着客户端数量的增长，namenode很快会成为一个瓶颈。

二、文件写入剖析
        文件写入HDFS需要考虑如何创建一个新文件，并把数据写入该文件，最后关闭该文件，具体如下图所示：

图2 客户端将数据写入HDFS

        客户端通过对DistributedFileSystem对象调用create()函数来创建文件（步骤1）。DistributedFileSystem对namenode创建一个RPC调用，在文件系统的命名空间中创建一个新文件，此时该文件还没有相应的数据块（步骤2）。namenode执行各种不同的检查以确保这个文件不存在，并且客户端有创建该文件的权限。如果这些检查均通过，namenode就会为创建新文件记录一条记录，否则，文件创建失败并向客户端抛出一个IOException异常。DistributedFileSystem向客户端返回一个FSDataOutputStream对象，由此客户端可以开始写入数据。就像读取事件一样，FSDataOutputStream封装一个DFSOutputSteam对象，该对象负责处理datanode和namenode之间的通信。
        在客户端写入数据时（步骤3），DFSOutputSteam将它分成一个个的数据包，并写入内部队列，称为“数据队列”（data queue）。DataStreamer处理数据队列，它的责任是根据datanode列表来要求namenode分配适合的新块来存储数据备份。这一组datanode构成一个管线——我们假设复本数为3，所以管线中有3个节点。DataStreamer将数据包流式传输到管线中第1个datanode，该datanode存储数据包并将它发送到管线中的第2个datanode。同样地，第2个datanode存储该数据包并且发送给管线中的第3个（也是最后一个）datanode（步骤4）。
        DFSOutputSteam也维护着一个内部数据包队列来等待datanode的收到确认回执，称为“确认队列”（ack queue）。当收到管道中所有datanode确认信息后，该数据包才会从确认队列删除（步骤5）。
        如果在数据写入期间，datanode发生故障，则执行以下操作，这对于写入数据的客户端是透明的。首先关闭管线，确认把队列中的任何数据包都添加回数据数据队列的最前端，以确保故障节点下游的datanode不会漏掉任何一个数据包。为存储在另一正常datanode的当前数据块指定一个新的标识，并将该标识传送给namenode，以便故障datanode在恢复后可以删除存储的部分数据块。从管线中删除故障数据节点并且把余下的数据块写入管线中的两个正常的datanode。namenode注意到块复本量不足时，会在另一个节点上创建一个新的复本。后续的数据块继续正常接受处理。
        在一个块被写入期间可能会有多个datanode同时发生故障，但非常少见。只要写入了dfs.replication.min的复本数（默认为1），写操作就会成功，并且这个块可以在集群中异步复制，直到达到其目标复本数（dfs.replication的默认值为3）。
        客户端完成数据的写入后，会对数据流调用close()方法（步骤6）。该操作将剩余的所有数据包写入datanode管线中，并在联系namenode且发送文件写入完成信号之前，等待确认（步骤7）。namenode已经知道文件由哪些块组成（通过DataStreamer询问数据块的分配），所以它在返回成功前只需要等待数据块进行最小量的复制。

三、一致模型
        文件系统的一致模型（coherency model）描述了对文件读/写的数据可见性。HDFS为性能牺牲了一些POSIX要求，因此一些操作与你期望的可能不同。
        在创建一个文件之后，希望它能在文件系统的命名空间中立即可见，但是，写入文件的内容并不保证能立即可见，即使数据流已经刷新并存储，所以文件长度显示为0，当写入的数据超过一个块后，新的reader就能看见第一个块。之后的块也不例外。总之，其它reader无法看见当前正在写入的块。
        HDFS提供一个方法来强制所有的缓存与数据节点同步，即对FSDataOutputStream调用sync()方法。当sync()方法返回成功后，对所有新的reader而言，HDFS能保证文件中到目前为止写入的数据均可见且一致。
        在HDFS中关闭文件其实还隐含执行了sync()方法。
        需要注意的是：是否需要调用sync()方法取决于你的需求，即你需要在数据鲁棒性和吞吐量之间做取舍。