设为首页 收藏本站
查看: 1173|回复: 0

[经验分享] hadoop学习笔记:hadoop文件系统浅析

[复制链接]

尚未签到

发表于 2018-10-30 07:45:30 | 显示全部楼层 |阅读模式
  1.什么是分布式文件系统?
  管理网络中跨多台计算机存储的文件系统称为分布式文件系统。
  2.为什么需要分布式文件系统了?
  原因很简单,当数据集的大小超过一台独立物理计算机的存储能力时候,就有必要对它进行分区(partition)并存储到若干台单独计算机上。
  3.分布式系统比传统的文件的系统更加复杂
  因为分布式文件系统架构在网络之上,因此分布式系统引入了网络编程的复杂性,所以分布式文件系统比普通文件系统更加复杂。
  4.Hadoop的文件系统
  很多童鞋会把hdfs等价于hadoop的文件系统,其实hadoop是一个综合文件系统抽象,而hdfs是hadoop旗舰级文件系统,hadoop除了hdfs还能集成其他文件系统。Hadoop的这个特点充分体现了hadoop的优良的可扩展性。
  在hadoop里,hadoop定义了一个抽象的文件系统的概念,具体就是hadoop里面定义了一个java的抽象类:org.apache.hadoop.fs.FileSystm,这个抽象类用来定义hadoop中的一个文件系统接口,只要某个文件系统实现了这个接口,那么它就可以作为hadoop支持的文件系统。下面是目前实现了hadoop抽象文件类的文件系统,如下表所示:
  文件系统
  URI方案
  Java实现
  org.apache.hadoop
  定义
  Local
  file
  fs.LocalFileSystem
  支持有客户端校验和本地文件系统。带有校验和的本地系统文件在fs.RawLocalFileSystem中实现。
  HDFS
  hdfs
  hdfs.DistributionFileSystem
  Hadoop的分布式文件系统。
  HFTP
  hftp
  hdfs.HftpFileSystem
  支持通过HTTP方式以只读的方式访问HDFS,distcp经常用在不同的HDFS集群间复制数据。
  HSFTP
  hsftp
  hdfs.HsftpFileSystem
  支持通过HTTPS方式以只读的方式访问HDFS。
  HAR
  har
  fs.HarFileSystem
  构建在Hadoop文件系统之上,对文件进行归档。Hadoop归档文件主要用来减少NameNode的内存使用
  KFS
  kfs
  fs.kfs.KosmosFileSystem
  Cloudstore(其前身是Kosmos文件系统)文件系统是类似于HDFS和Google的GFS文件系统,使用C++编写。
  FTP
  ftp
  fs.ftp.FtpFileSystem
  由FTP服务器支持的文件系统。
  S3(本地)
  s3n
  fs.s3native.NativeS3FileSystem
  基于Amazon S3的文件系统。
  S3(基于块)
  s3
  fs.s3.NativeS3FileSystem
  基于Amazon S3的文件系统,以块格式存储解决了S3的5GB文件大小的限制。
  最后我要强调一点:在hadoop里有一个文件系统概念,例如上面的FileSystem抽象类,它是位于hadoop的Common项目里,主要是定义一组分布式文件系统和通用的I/O组件和接口,hadoop的文件系统准确的应该称作hadoop I/O。而HDFS是实现该文件接口的hadoop自带的分布式文件项目,hdfs是对hadoop I/O接口的实现。
  下面我给大家展示一张表,这样大家对hadoop的FileSystem里的相关API操作就比较清晰了,表如下所示:
  HadoopFileSystem
  Java操作
  Linux操作
  描述
  URL.openSteam
  FileSystem.open
  FileSystem.create
  FileSystem.append
  URL.openStream
  open
  打开一个文件
  FSDataInputStream.read
  InputSteam.read
  read
  读取文件中的数据
  FSDataOutputStream.write
  OutputSteam.write
  write
  向文件写入数据
  FSDataInputStream.close
  FSDataOutputStream.close
  InputSteam.close
  OutputSteam.close
  close
  关闭一个文件
  FSDataInputStream.seek
  RandomAccessFile.seek
  lseek
  改变文件读写位置
  FileSystem.getFileStatus
  FileSystem.get*
  File.get*
  stat
  获取文件/目录的属性
  FileSystem.set*
  File.set*
  Chmod等
  改变文件的属性
  FileSystem.createNewFile
  File.createNewFile
  create
  创建一个文件
  FileSystem.delete
  File.delete
  remove
  从文件系统中删除一个文件
  FileSystem.rename
  File.renameTo
  rename
  更改文件/目录名
  FileSystem.mkdirs
  File.mkdir
  mkdir
  在给定目录下创建一个子目录
  FileSystem.delete
  File.delete
  rmdir
  从一个目录中删除一个空的子目录
  FileSystem.listStatus
  File.list
  readdir
  读取一个目录下的项目
  FileSystem.getWorkingDirectory
  getcwd/getwd
  返回当前工作目录
  FileSystem.setWorkingDirectory
  chdir
  更改当前工作目录
  有了这张表,大家对FileSystem的理解应该会清晰多了吧。
  大家从对照表里会发现,hadoop的FileSystem里有两个类:FSDataInputStream和FSDataOutputStream类,它们相当于java I/O里的InputStream和Outputsteam,而事实上这两个类是继承java.io.DataInputStream和java.io.DataOutputStream。
  至于关于hadoop I/O本文今天不做介绍,以后也许会专门写篇文章讲讲我自己的理解,不过为了给大家一个清晰的印象,我在博客园里找到了两篇文章,有兴趣的童鞋可以好好看看看,连接如下:
  http://www.cnblogs.com/xuqiang/archive/2011/06/03/2042526.html
  http://www.cnblogs.com/xia520pi/archive/2012/05/28/2520813.html
  5.数据的完整性
  数据完整性也就是检测数据是否损坏的技术。Hadoop用户肯定都希望系统在存储和处理数据时候,数据不会有任何的丢失或损坏,尽管磁盘或网络上的每个I/O操作都不太可能将错误引入到自己正在读写的数据里,但是如果系统需要处理的数据量大到hadoop能够处理的极限,数据被损坏的概率就很高了。Hadoop引入了数据完整性校验的功能,下面我将其原理描述如下:
  检测数据是否损坏的措施是,在数据第一次引入系统时候计算校验和(checksum),并在数据通过一个不可靠的通道时候进行传输时再次计算校验和,这样就能发现数据是否损坏了,如果两次计算的校验和不匹配,你就认为数据已经损坏了,但是该技术不能修复数据,它只能检测出错误。常用的错误检测码是CRC-32(循环冗余校验),任何大小的数据输入均计算得到一个32位的整数校验和。
  6.压缩与输入分片
  文件压缩有两大好处:一是可以减少存储文件所需要的磁盘空间,二是可以加速数据在网络和磁盘上的传输。对于处理海量数据的hadoop而言,这两个好处就变得相当重要了,所以理解hadoop的压缩是很有必要的,下表列出了hadoop支持的压缩格式,如下表:
  压缩格式
  工具
  算法
  文件扩展名
  多文件
  可分割性
  DEFLATE
  无
  DEFLATE
  .deflate
  不
  不
  gzip
  gzip
  DEFLATE
  .gz
  不
  不
  ZIP
  zip
  DEFLATE
  .zip
  是
  是,在文件范围内
  bzip2
  bzip2
  bzip2
  .bz2
  不
  是
  LZO
  lzop
  LZO
  .lzo
  不
  是
  在hadoop对于压缩有两个指标很重要一个是压缩率还有就是压缩速度,下表列出一些压缩格式在此方面表现的性能,如下所示:
  压缩算法
  原始文件大小
  压缩后的文件大小
  压缩速度
  解压缩速度
  gzip
  8.3GB
  1.8GB
  17.5MB/s
  58MB/s
  bzip2
  8.3GB
  1.1GB
  2.4MB/s
  9.5MB/s
  LZO-bset
  8.3GB
  2GB
  4MB/s
  60.6MB/s
  LZO
  8.3GB
  2.9GB
  49.3MB/S
  74.6MB/s
  在hadoop支持压缩里,是否支持切分(splitting)文件的特性也是相当重要的,下面我将讲述切分的问题,也就是我标题写的输入分片的问题:
  压缩格式是否可以切分的特性是针对mapreduce处理数据而言的,比如我们有一个压缩为1GB的文件,如果hdfs块大小设置为(hdfs块我的文章里没有讲解,不理解的童鞋可以先查查百度,以后我在写hdfs时候会重点讲这个的)64mb,那么这个文件将存储在16个块里,如果把这个文件作为mapreduce作业的输入数据,mapreduce会根据这16个数据块,产生16个map操作,每个块都是其中一个map操作的输入,那么mapreduce执行效率会非常的高,但是这个前提就是该压缩格式要支持切分。假如压缩格式不支持切分的话,那么mapreduce也是可以做出正确处理,这时候它会将16个数据块放到一个map任务里面,这时候map任务数少了,作业粒度也变大了,那么执行效率就会大大下降。
  由于本人知识还是有限,关于压缩和切入分片的问题我就讲述到这里,下面提供一篇相关的文章,有兴趣的童鞋可以看看,链接如下:
  http://www.cnblogs.com/ggjucheng/archive/2012/04/22/2465580.html
  7.hadoop序列化
  我们先看两个定义:
  序列化:是指将结构化对象转化为字节流,以便在网络上传输或写到磁盘上进行永久存储。
  反序列化:是指将字节流转向结构化对象的逆过程。
  序列化在分布式数据处理量大领域经常出现:进程通信和永久存储。
  Hadoop中,各个节点的通信是通过远程调用(RPC)实现的,RPC将数据序列化成二进制后发送给远程节点,远程节点收到数据后将二进制字节流反序列化为原始数据。序列化在RPC应用中有着自己的特点,RPC序列化的特点是:

  •   紧凑:紧凑的格式能让我们能充分利用网络带宽,而带宽是数据中心最稀缺的资源;
  •   快速:进程通信形成了分布式系统的骨架,所以需要尽量减少序列化和反序列化的性能开销,这是基本的
  •   可扩展:协议为了满足新的需求变化,所以控制客户端和服务器过程中,需要直接引进相应的协议,这些事新协议,原序列化方式能支持心得协议报文
  •   互操作:能支持不同语言写的客户端和服务端进行交互
  在hadoop里面有自己定义的序列化格式:writable,它是hadoop的核心之一。
  Writable是一个接口,要实现hadoop的序列化就得实现该接口。因为时间原因,序列化我也不展开了,我下面也推荐一篇文章,里面讲述了hadoop的序列化,虽然讲的简单点,而且不全面,但是看完后对hadoop序列化的具体实现会有个初步的了解,链接如下:
  http://blog.csdn.net/a15039096218/article/details/7591072


运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-628191-1-1.html 上篇帖子: Hadoop分布式文件系统HDFS的工作原理详述 下篇帖子: centos7 安装hadoop-cdh-2.6
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表