HDFS引入
HDFS 是分布式文件系统,首先我们来看一下什么是文件系统
文件系统
文件系统:看得见的
文件管理:拿windows系统举例,咱们可以看到有各种盘符,盘符下面有各种目录以及文件。
看不见的
块(block)管理:文件实际存放的位置是在磁盘中的块内。
单机文件系统
windows
FAT16、FAT32、NTFS等等
linux
ext2/3/4、xfs
分布式文件系统
将数据交给多个服务器进行处理。
Nutch
之前的文章可以看到 Nutch使用分布式存储解决了数据存放的问题,具体实现方式是怎样的呢?又与HDFS有何渊源呢?
由网络爬虫爬取数据,此时调用drive,这里driver主要做了两件事。
存储medatada
文件名、创建时间、文件大小
文件与块(block)的对应关系
块(block)与机器的对应关系
存储block
最后索引服务器调用driver的metadata到对应的服务器取对应的块信息进行分析,生成索引文件。
索引文件:关键字 --> [ file1,file2,…… ]
HDFS
这时我们把driver功能抽离出来成为一个通用的功能:HDFS
HDFS会有两种进程:
NameNode:
文件名、创建时间、文件大小
文件与块(block)的对应关系
块(block)与DataNode的对应关系
DataNode:存放block
在上图中
机器A,B,C上都会启动一个DataNode进程用来和NameNode通讯以及进行实际的文件操作。
机器D上启动一个NameNode,存放metadata信息以及和DataNode通讯。
当有文件操作请求时,会向机器D中的NameNode进程询问metadata信息,机器D中的NameNode进程会将对应结果返回给client。
client 根据NameNode返回的结果去对应的DataNode上执行实际的文件操作。
HDFS组件
NameNode
主节点,存储文件的metadata(文件名、文件目录、文件属性:生成时间,副本数,文件权限等),以及每个文件的块列表和块所在的DataNode等。
DataNode
本地文件系统存储文件块数据,以及块数据的校验,主要是为了防止在网络通信过程中,block发生损坏,进而保证数据一致性。
SecondaryNameNode
监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS的metadata快照。
分担NameNode压力,合并编辑日志文件(edits)和镜像文件(fsimage),将最终的镜像文件交给NameNode。
当客户端请求过来之后,先写入编辑日志文件内,隔一段时间需要和镜像文件进行合并,这个操作非常占用资源,影响客户端请求质量,所以将这个操作交给SecondaryNameNode进行处理,将最终的镜像文件交给NameNode。
如果觉得我的文章对您有用,请点赞。您的支持将鼓励我继续创作!
赞2
添加新评论0 条评论