HDFS文件读取详解

客户端与HDFS文件读取
　　创建HDFS文件系统实例
　　　　FileSystem fs = FileSystem.get(new URI("hdfs://ns1"), new Configuration(),"root");
　　客户端通过调用FileSystem对象fs的Open()方法打开要读取的文件，DistributedFileSystem通过使用RPC来调用NameNode，以确定文件起始块的位置。
　　对于文件的每一个块，NameNode返回存有该块副本的DataNode地址。这些DataNode根据它们与客户端的距离来排序（根据集群中的网络拓扑）。如
　　果该客户端本身就是一个DataNode（例如在一个MapReduce任务中）并保存有相应数据块的一个副本时，该节点就会从本地DataNode读取数据。然后
　　DistributedFileSystem返回一个FSDataInputStream对象（支持文件定位的输入流）给客户端读取数据。FSDataInputStream类转而封装DFSInputStream
　　对象，该对象管理着DataNode和NameNode的I/O。
　　　　FSDataInputStream in = fs.open(new Path(dfsPath));
　　接着客户端对这个输入流调用read()方法读取，存储着文件起始位置的几个块的DataNode地址的DFSInputStream随机链接距离最近的DataNode。通过
　　对数据流反复调用read()方法，将数据从DataNode传输到客户端，到达快的末端时，DFSInputStream关闭与该DataNode的连接，然后寻找下一个块的
　　最佳DataNode，客户端只需要读取连续的流。客户端从流中读取数据时，块是按照打开DFSInputStream与DataNode新建连接顺序的读取的，它也会根
　　据需要询问NameNode来检索下一批数据块的DataNode的位置，一旦客户端读取完成就对DFSInputStream调用close()方法释放。在读取数据时，如果
　　DFSInputStream在与DataNode通信时遇到错误，会尝试从这个块的另外一个最邻近的DataNode读取数据。它也会记住那个故障的DataNode，以保证
　　以后不会从那个故障DataNode节点反复读取后续的块数据。DFSInputStream也会通过校验和确认从DataNode发来的数据是否完整。如果发现有损坏的
　　块，就在DFSInputStream试图从其他DataNode读取其副本之前通知NameNode。这个设计的一个重点是：NameNode告知客户端每个块中最佳的
　　DataNode，并让客户端直接连接到该最佳DataNode上检索数据。由于数据流分散在集群中的所有DataNode上，所以这种设计能使HDFS可扩展到大量
　　的并发客户端。同时，NameNode只需要响应块位置的请求（这些块位置信息存储在内存中，因而非常高效），无需响应数据请求，否则随着客户端数量
　　的增长，NameNode会很快成为瓶颈。
　　　　BufferedOutputStream out = new BufferedOutputStream(new FileOutputStream(new File(localPath)));
　　　　IOUtils.copyBytes(in, out, 4096, true);


Hadoop的网络拓扑解释
　　　　在本地网络中，两个节点被称为“彼此近邻”是指：在海里数据处理中，其主要限制因素是节点之间数据的传输速率-带宽很稀缺。这里的想法是将两个
　　节点间的带宽作为军力的衡量标准。如果不用衡量节点间的带宽则很难实现（需要一个稳定的集群，并且在集群中两两节点对数量是节点数量的平方）。
　　Hadoop为此采用了一种简单的方法：把网络当做一棵树，两个节点间的距离是它们到最近共同祖先的距离综合。该书中的层次是没有预先设定的，但是相对
　　于数据中心、机架和正在运行的节点，通常可以设定等级。具体是针对以下每个场景，可用带宽一次递减，如下：
　　　　同一节点上的进程
　　　　同一机架上的不同节点
　　　　同一数据中心的不同机架上的节点
　　　　不同数据中心的节点
　　　　
跨数据中心运行　　　　
　　目前到Hadoop-2.7仍然不适合跨数据中心运行。