hadoop初识一（HDFS三进程理解）

1、概念

hadoop从广义上说指的是依托于Apache Hadoop项目的整个生态圈，包括hdfs、spark、sqoop、flume等等。狭义上说就是指的是Apache Hadoop这一个项目。现阶段学习的内容以hadoop这一个项目为核心，所以下面的内容都基于狭义上的hadoop，其实更准确的描述就是基于HDFS。

2、HDFS框架

        HDFS 采用Master/Slave的架构来存储数据，这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和SecondaryNameNode.

3、HDFS组成进程简介

HDFS（Hadoop分布式文件系统）包括NameNode、DataNode、SecondaryNode三个进程。     

 NameNode

        NameNode是HDFS的命名空间，里面存储着整个HDFS的所有文件的元数据信息，这些信息都会加载到内存中，元数据信息分为两部分，第一部分是文件系统树及整棵树内所有的文件和目录，第二部分是每个文件的各个组成块所在的数据节点信息。第一部分会落地形成文件（命名空间镜像文件和编辑日志文件）永久保存，第二部分的信息是在HDFS启动时，DataNode自动报送给NameNode，所以这个不会永久保存。元数据格式如下（/test/a.log是在hdfs文件系统中的路径，3是这个文件的副本数(副本数可以通过在配置文件中的配置来修改的)。在hdfs中，文件是进行分块存储的，如果文件过大，就要分成多块存储，每个块在文件系统中存储3个副本，以上图为例，就是分成blk_1和blk_2两个块，每个块在实际的节点中有3个副本，比如blk_1的3个副本分别存储在h0，h1，h3中）：

简单元数据存储逻辑图（不用较真，只是为了表达为什么元数据的存储逻辑是现在这样）：

DataNode

文件块（ block）： 最基本的存储单位。 对于文件内容而言，一个文件的长度大小是size，那么从文件的０偏移开始，按照固定的大小，顺序对文件进行划分并编号，划分好的每一个块称一个Block。 HDFS默认Block大小是128MB， 因此，一个256MB文件，共有256/128=2个Block. 

与普通文件系统不同的是，在 HDFS中，如果一个文件小于一个数据块的大小，并不占用整个数据块存储空间， 但是会占用一个块。

        DataNode是文件系统的工作节点，它会根据需要存储并检索数据块，受NameNode调度，并且定期向NameNode发送该DataNode上存储的块的列表信息。一个数据块在Datanode以文件存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。

SecondaryNode

             SecondaryNode是辅助NameNode，它是用来定期合并NameNode产生的编辑日志（edits.log）和命名空间镜像文件(fsImage)，以防止edits.log过大。SecondaryNameNode一般要在另一台机器上运行，因为它需要占用大量的CPU时间与namenode相同容量的内存才可以进行合并操作。它会保存合并后的命名空间镜像的副本，并在namenode发生故障时启用。