深度探索 Hadoop 分布式文件系统（HDFS）数据读取流程

1. 开篇

Hadoop分布式文件系统（HDFS）是Hadoop大数据生态最底层的数据存储设施。因其具备了海量数据分布式存储能力，针对不同批处理业务的大吞吐数据计算承载力，使其综合复杂度要远远高于其他数据存储系统。

因此对Hadoop分布式文件系统（HDFS）的深入研究，了解其架构特征、读写流程、分区模式、高可用思想、数据存储规划等知识，对学习大数据技术大有裨益，尤其是面临开发生产环境时，能做到胸中有数。

本文重点从客户端读取HDFS数据的角度切入，通过Hadoop源代码跟踪手段，层层拨开，渐渐深入Hadoop机制内部，使其读取流程逐渐明朗化。

2. HDFS数据读取整体架构流程

HDFS数据访问整体架构流程

如上图所示：描绘了客户端访问HDFS数据的简化后整体架构流程。

（1） 客户端向hdfs namenode节点发送Path文件路径的数据访问的请求

（2） Namenode会根据文件路径收集所有数据块（block）的位置信息，并根据数据块在文件中的先后顺序，按次序组成数据块定位集合（located blocks），回应给客户端

（3） 客户端拿到数据块定位集合后，创建HDFS输入流，定位第一个数据块所在的位置，并读取datanode的数据流。之后根据读取偏移量定位下一个datanode并创建新的数据块读取数据流，以此类推，完成对HDFS文件的整个读取。

3. Hadoop源代码分析

经过上述简单描述，我们对客户端读取HDFS文件数据有了一个整体上概念，那么这一节，我们开始从源代码跟踪的方向，深度去分析一下HDFS的数据访问内部机制。

(一) namenode代理类生成的源代码探索

为什么我们要先从namenode代理生成说起呢？原因就是先了解清楚客户端与namenode之间的来龙去脉，再看之后的数据获取过程就有头绪了。

（1） 首先我们先从一个hdfs-site.xml配置看起

<property>
<!-- namenode高可用代理类 -->
<name>dfs.client.failover.proxy.provider.fszx</name>
<value>org.apache.hadoop.hdfs.server.namenode.ha.
ConfiguredFailoverProxyProvider</value>
</property>

配置中定义了namenode代理的提供者为ConfiguredFailoverProxyProvider。什么叫namenode代理？其实本质上就是连接namenode服务的客户端网络通讯对象，用于客户端和namenode服务端的交流。

（2） 接着我们看看ConfiguredFailoverProxyProvider的源代码继承关系结构

ConfiguredFailoverProxyProvider继承关系图

上图是ConfiguredFailoverProxyProvider的继承关系，顶端接口是FailoverProxyProvider，它包含了一段代码:

/**
* Get the proxy object which should be used until the next failover event
* occurs.
*@returnthe proxy object to invoke methods upon
*/
publicProxyInfo<T>getProxy();

这个方法返回的ProxyInfo就是namenode代理对象，当然客户端获取的ProxyInfo整个过程非常复杂，甚至还用到了动态代理，但本质上就是通过此接口拿到了namenode代理。

（3） 此时类关系演化成如下图所示：

namonode创建过程类关系图

上图ProxyInfo就是namenode的代理类，继承的子类NNProxyInfo就是具体指定是高可用代理类。

（4） 那么费了这么大劲搞清楚的namenode代理，它的作用在哪里呢？

这就需要关注一个极为重要的对象DFSClient了，它是所有客户端向HDFS发起输入输出流的起点，如下图所示：

DFSClient初始化过程类关系图

上图实线代表了真实的调用过程，虚线代表了对象之间的间接关系。我们可以看到DFSClient是一个关键角色，它由分布式文件系统对象(DistributeFileSystem)初始化，并在初始化中调用NameNodeProxiesClient等一系列操作，实现了高可用NNproxyInfo对象创建，也就是namenode代理，并最终作为DFSClient对象的一个成员，在创建数据流等过程中使用。

(二) 读取文件流的深入源代码探索

（1） 首先方法一样，先找一个切入口。建立从HDFS下载文件到本地的一个简单场景，以下是代码片段：

……
//打开HDFS文件输入流
input = fileSystem.open(newPath(hdfs_file_path));
//创建本地文件输出流
output =newFileOutputStream(local_file_path);
//通过IOUtils工具实现数据流字节循环复制
IOUtils.copyBytes(input, output,4096,true);
……

咱们再看看IOUtils的一段文件流读写的方法代码：

/**
* Copies from one stream to another.
*
*@paramin InputStrem to read from
*@paramout OutputStream to write to
*@parambuffSize the size of the buffer
*/
publicstaticvoidcopyBytes(InputStream in, OutputStream out,intbuffSize)
throwsIOException {
PrintStream ps = outinstanceofPrintStream ? (PrintStream)out :null;
bytebuf[] =newbyte[buffSize];
intbytesRead = in.read(buf);
while(bytesRead >=0) {
out.write(buf,0, bytesRead);
if((ps !=null) && ps.checkError()) {
thrownewIOException("Unable to write to output stream.");
}
bytesRead = in.read(buf);
}
}

这段代码是个标准的循环读取HDFS InputStream数据流，然后向本地文件OutputStream输出流写数据的过程。我们的目标是深入到HDFS InputStream数据流的创建和使用过程。

（2） 接下来我们开始分析InputStream的产生过程，如下图所示：

InputStream打开流程类关系图

上图实线代表了真实的调用过程，虚线代表了对象之间的间接关系。其代码内部结构极为复杂，我用此图用最简化的方式让我们能快速的理解清楚他的原理。

我来简单讲解一下这个过程：

第一步是DistributeFileSystem通过调用DFSClient对象的open方法，实现对DFSInputStream对象的创建，DFSInputStream对象是真正读取数据块（LocationBlock）以及与datanode交互的实现逻辑，是真正的核心类。

第二步，DFSClient在创建DFSInputStream的过程中，需要为其传入调用namenode代理而返回的数据块集合（LocationBlocks）。

第三步，DFSClient创建一个装饰器类HDFSDataInputStream，封装了DFSInputStream，由装饰器的父类FSDataInputStream最终返回给DistributeFileSystem，由客户端开发者使用。

（3） 最后我们再深入到数据块读取机制的源代码上看看，如下图所示：

DFSInputStream数据读取流程类关系图

上图实线代表了真实的调用过程，虚线代表了对象之间的间接关系。实际的代码逻辑比较复杂，此图也是尽量简化展现，方便我们理解。

一样的，我来简单讲解一下这个过程：

第一步FSDataInputStream装饰器接受客户端的读取调用对DFSInputStream对象进行read(...)方法调用。

第二步 DFSInputStream会调用自身的blockSeekTo(long offset)方法，一方面根据offset数据偏移量，定位当前是否要读取新的数据块(LocationBlock)，另一方面新的数据块从数据块集合(LocationBlocks)中找到后，寻找最佳的数据节点，也就是Hadoop所谓的就近原则，先看看本机数据节点有没有副本，再次根据网络距离着就近获取副本。

第三步通过FSDataInputStream副本上数据块（LocationBlock）构建BlockReader对象，它就是真正读取数据块的对象。BlockReader对象它有不同的实现，由BlockReaderFactory.build根据条件最优选择具体实现，BlockReaderLocal和BlockReaderLocalLegacy（based on HDFS-2246）是优选方案，也是short-circuit block readers方案，相当于直接从本地文件系统读数据了，若short-circuit因为安全等因素不可用，就会尝试UNIX domain sockets的优化方案，再不行才考虑BlockReaderRemote建立TCP sockets的连接方案了。BlockReader的细节原理也非常值得深入一探究竟，待下次我专门写一篇针对BlockReader原理机制文章。

4. 结束

非常感觉您能看完。下一篇我会对“ Hadoop分布式文件系统（HDFS）数据写入流程 ”做一篇深度探索分析。期盼您的关注。

作者：方顺 西安守护石信息科技创始人 致力于IT工程师在大数据领域的技术提升

前往我的知乎专栏——了解更多关于大数据的知识