Hdfs的文件读写过程
0 Hdfs简介
HDFS 是 Hadoop Distribute File System 的简称，意为：Hadoop 分布式文件系统。是 Hadoop 核心组件之一，作为最底层的分布式存储服务而存在。它们是横跨在多台计算机上的存储系统
优点:
1 很好的处理超大文件 GB TB PB级别 筛分为多个分片 进行分布式处理
2 运行于廉价的商用机器集群上
3 高容错性和高可靠性 副本机制
4 流式的访问数据 读取整个数据集比读取单条记录更加高效
缺点:
1 不适合低延迟的数据访问 可以使用Hbase
2 不适合存储大量小文件 文件的元数据由namenode进行管理 存储在内存中 一个文件150字节左右 大量的小文件会暂用大量内容导致namenode挂掉 namenode可做集群
3 不支持多用户同事写入和随机修改 HDFS 是设计成适应一次写入，多次读出的场景，且不支持文件的修改。
特性:
1 master/slave 架构 namenode和多个datanode
2分块存储 默认大小在 hadoop2.x 版本中是 128M 1.X默认64M。
3名字空间（NameSpace）支持传统的层次型文件组织结构
4 Namenode元数据管理
5 Datanode数据存储
6副本机制 每个文件的 block 大小和副本系数都是可配置的 128M默认是 3
7 一次写入，多次读出 适应一次写入，多次读出的场景，且不支持文件的修改
1 hdfs文件的写入过程
详细步骤解析：
1、 client发起文件上传请求，通过RPC与NameNode建立通讯，NameNode检查目标文件是否已存在，父目录是否存在，返回是否可以上传；
2、 client请求第一个block该传输到哪些DataNode服务器上；
3、NameNode根据配置文件中指定的备份数量及机架感知原理进行文件分配，返回可用的DataNode的地址如：A，B，C；
注：Hadoop在设计时考虑到数据的安全与高效，数据文件默认在HDFS上存放三份，存储策略为本地一份，同机架内其它某一节点上一份，不同机架的某一节点上一份。
4、 client请求3台DataNode中的一台A上传数据（本质上是一个RPC调用，建立pipeline），A收到请求会继续调用B，然后B调用C，将整个pipeline建立完成，后逐级返回client；
5、 client开始往A上传第一个block（先从磁盘读取数据放到一个本地内存缓存），以packet为单位（默认64K），A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答。
6、数据被分割成一个个packet数据包在pipeline上依次传输，在pipeline反方向上，逐个发送ack（命令正确应答），最终由pipeline中第一个DataNode节点A将pipelineack发送给client;
7、当一个block传输完成之后，client再次请求NameNode上传第二个block到服务器。
2 hdfs的文件的读取过程
详细步骤解析
1、Client向NameNode发起RPC请求，来确定请求文件block所在的位置；
2、 NameNode会视情况返回文件的部分或者全部block列表，对于每个block，NameNode 都会返回含有该 block 副本的 DataNode 地址；这些返回的 DN 地址，会按照集群拓扑结构得出 DataNode 与客户端的距离，然后进行排序，排序两个规则：网络拓扑结构中距离 Client 近的排靠前；心跳机制中超时汇报的 DN 状态为 STALE，这样的排靠后；
3、 Client 选取排序靠前的 DataNode 来读取 block，如果客户端本身就是DataNode,那么将从本地直接获取数据(短路读取特性)；
4、底层上本质是建立Socket Stream（FSDataInputStream），重复的调用父类DataInputStream 的 read 方法，直到这个块上的数据读取完毕；
5、当读完列表的 block 后，若文件读取还没有结束，客户端会继续向NameNode 获取下一批的 block 列表；
6、读取完一个 block 都会进行 checksum 验证，如果读取 DataNode 时出现错误，客户端会通知 NameNode，然后再从下一个拥有该 block 副本的DataNode 继续读。
7、 read 方法是并行的读取 block 信息，不是一块一块的读取；NameNode 只是返回Client请求包含块的DataNode地址，并不是返回请求块的数据；
8、最终读取来所有的 block 会合并成一个完整的最终文件。