HDFS的文件上传下载的核心原理

1，什么是大数据？

什么是大数据？先来一组直观的数据感受下什么是大数据：    

1）纽约证交所每天产生的交易数据大约是4TB到5TB之间；

2）截止到2015年7月，微信朋友圈每天的发表量（包括赞和评论）超过10亿，浏览量超过100亿；

3）微博每天7500万条微博发布，每条可输入140字，总共105亿字，1G可存储5亿字，每天就需21G的空间；

4）百度网盘网盘用户数量达到2亿，每个人可有2TB的存储空间，可见存储数据量之大。

可见，大数据就是数据量非常大，大到一台计算机的容量无法存储。那么，这么大的数据量该如何存储呢？

2，大数据如何存储？

举个例子，假如我们用水桶盛水，当你不断往水桶注水，那么水满了自然就会溢出。此时为了不让水溢出，那么你自然会添加水桶来盛水。你会根据水量大小来计算需要多少水桶来盛水，当不够水桶了，你会添加水桶。同理，当数据量非常大时，大到一台计算机无法存储时，此时可以用两台计算机来存储，两台不计算机不够存储，扩展至三台计算机来存储。。。于是，这就涉及分布式存储了。

分布式存储中最有名且目前用的最多的当属Hadoop的HDFS(Hadoop Distributed File System),思想起源于谷歌的三篇论文之一的GFS（The Google File System）。

3，什么是Hadoop?

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。Hadoop核心组件主要包括HDFS,YARN和MapReduce，而Hadoop的框架最核心的设计就是HDFS和MapReduce，其中HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。另外YARN是 Hadoop 的资源调度管理器，它是一个通用资源管理系统，可为上层应用提供统一的资源管理和调度。

4，Hadoop生态系统相关组件

图1

图1是Hadoop生态系统相关组件即目前大数据用到的相关技术，从中可以看到HDFS处于Hadoop生态系统最底层，即为大数据相关组件提供存储。其中Hive的数据是存储在HDFS上的，因为Hive的表是一张逻辑表，这张表的定义的描述了表数据与HDFS之间的映射关系；Hbase的底层存储机制也是HDFS,一些流计算框架比如Spark Streaming，Storm和FLink的经过流式计算后也可以将数据输出到HDFS上存储。

5，什么是HDFS？

既然HDFS能提供如此强大的存储能力，那么HDFS究竟是何方神圣？

当数据量非常大，大到一台电脑无法存储时，此时就得把数据拆分成几部分，然后分别存储在不同的计算机上，管理网络中跨多台计算机存储的文件系统即为分布式文件系统（HDFS）。

HDFS可以存储各种各样的文件，比如text文本文件，csv文件，二进制文件等等。

6，HDFS的核心概念

学习HDFS的核心原理，那么必须从其的核心组件学起，HDFS涉及的核心概念主要包含了数据块，NameNode和DataNode。

数据块：平时我们用的磁盘一般都有数据块的大小，数据块一般是文件读写的基本单位，同样，HDFS也有默认的数据块，HDFS的数据块大小是128M.

NameNode：HDFS一般是一个由NameNode和DataNode组成的主从架构分布式集群，其中NameNode就相当于主节点，管理文件系统名称空间，元数据和控制客户端文件的访问。

DataNode：DataNode就是存储数据的节点，一个文件可以拆分成几份分别存储在不同的DataNode上。

7，我们如何将文件上传至HDFS上呢？

既然明白了HDFS是这么一个好东西，当数据量非常大时，我们可以通过扩展机器的方式来提高存储量。那么，此时我们将如何把文件上传至HDFS上呢？

请看下图，感受下HDFS上传文件的核心流程。

图2

根据上图，我给大家梳理一些核心流程：

1，请求上传300M的xxx.mp4文件，即hdfs控制台上敲入hdfs dfs -put xxx.mp4 filedir命令即可上传xxx.mp4文件。

2，随后HDFS客户端创建DistrubutedFileSystem对象。

3，然后DistrubutedFileSystem对象与NameNode节点建立RPC通信，并生成一个NameNode代理对象NameNodeProxy。

4，NameNode创建文件相关的元数据信息并保存在内存中,保存的元数据说白了就是xxx.mp4这个文件分为几个数据块来存储，每隔数据块存储在哪个DataNode上。如下图：

这里的元数据表示xxx.mp4文件大小是300M，而HDFS的DataNode的数据块大小默认是128M，因此xxx.mp4无法存储到一个DataNode上。因此就需要将xxx.mp4文件分割成三部分：part-0(128M),part-1(128M)和part-3(44M)。为了保证某个DataNode节点宕机数据不丢失，于是采用冗余的策略，即一份文件在三个DataNode中存储。以拆分的part-0文件为例，part-0文件最终会写入DataNode1，DataNode2和DataNode3。

5，因为元数据是保存在内存中的，当元数据满了则写入磁盘。

6，NameNode写完元数据后，此时会将元数据相关信息返回给HDFS客户端。

7，HDFS客户端获取NameNode返回的元数据后，创建FSDataOutputStream对象。

8,然后HDFS客户端打开OutputStream,根据元数据信息开始写数据。这里的元数据即xxx.mp4这个文件分为几个数据块来存储，每隔数据块存储在哪个DataNode上，前面说过。

9，因此，有了元数据的指引，FSDataOutputStream对象将所有数据对象写入DataNode中。以写拆分的part-0文件为例，FSDataOutputStream对象首先会将part-0文件写入DataNode1中

10，为了保证数据高可用，然后DataNode1会将part-0文件水平复制到DataNode2，再然后DataNode2再将part-0文件复制到DataNode5中，见下图红框部分：

11，最后一个节点DataNode5接收完毕part-0文件后，那么就会返回ACK应答给DataNode2,同样的DataNode2会返回应答给DataNode1，最终给你DataNode1会将应答返回给HDFS客户端，见下图红框部分：

12，根据上面9,10,11步骤的写part-0文件过程，同理FSDataOutputStream对象将part-1,part-2对象写入datanode，直到写完数据为止。

因此经过上面的几个步骤，HDFS文件上传的原理就给大家说明白了。

8，明白了HDFS的文件上传过程，那么我们如何将文件从HDFS上下载下来呢？

既然你已经明白了HDFS文件的上传过程，那么HDFS文件的下载过程其实就是HDFS文件上传过程的逆过程而已，不过有一点需要注意的是，下载的过程HDFS会比较智能，会选择文件存储最近的DataNode节点来下载文件，这是因为网络传输是需要成本的。详细步骤这里不再累述，详情请见下图：

好了，HDFS的来源，文件上传及下载过程就给大家说明白了。

最后留两道思考题请大家思考：

1，在生产部署中，高可用非常最重要。那么HDFS集群如何保证高可用呢？万一NameNode节点挂了怎么办？

2，HDFS在文件下载过程中，若存储文件的某个DataNode节点挂了怎么办？此时还能下载完整的文件吗？还有，下次下载文件时，HDFS客户端还会访问出故障的DataNode节点吗？

答案将在下期为大家揭晓，敬请关注。

由于作者水平有限，若文中有错误还请提出，最后表示感谢。