版权声明：原创作品转载必须标明出处，谢谢配合！ https://blog.csdn.net/qq_38704184/article/details/84402820
HDFS写数据详解
hadoop模块每一部分都是分布式的，所以他们之间的通信都是建立在RPC基础上的，这点要明白
HDFS写数据(上传数据时，DataNode的选择策略：1.第一个副本先考虑跟client最近的（同机架）2.第二个副本在考虑跨机架选择一个DataNode，3.第三个副本就在第一个副本同机架例外挑选一个DataNode存放)
怎样知道呢个机器在呢个机架上呢？可以配置机架感知
- client向namenode请求上传文件（想要上传到呢个路径下）
- namenode慎重考虑后（主要是查看是否具有请求中的合理路径存在），哎呀妈路径合理，那么就向client响应你可以上传了
- hadoop2x一个block默认为128M，文件超过后就需要分割文件。client通过RPC请求上传第一个block（0~128M），请求返回DataNode信息，意思是我现在想要上传一部分，我总该知道我要上传到呢个子节点下吧，这是合理请求；
- namonode查看元数据给出client合理的回应，所谓合理起始namenode内部是有相应的处理机制的，主要是考虑DataNode空间问题，和路由间的距离问题
- client收到回应之后，请求与呢个DataNode下的呢个block建立连接，同时建立起传输管道channel，为什么要建立管道呢，以为我们这是分布式系统，考虑的主要问题是当机器宕机时，我们还想要完成任务，所以我们就将数据进行多个副本的存储，即使当前机器宕机，我们也能给用户响应完整的数据。为什么我们不这样做呢，当第一个block上传完毕后，其他的副本block我们复制粘贴过去呢，因为我们的大数据文件一般都最少是以G为单位的，正常都是以T为单位的，这样操作的话，很容易存在IO阻塞现象，所以避免出现IO阻塞，我们采用通过管道，里面主要的是PIPE LINE，分配的数据节点放在pipeline里。datastream将数据块写入pipeline中的第一个数据节点，第一个数据节点将数据第二个数据节点，第二个数据节点将数据发送给第三个数据节点。根据路由距离远近建立理想的通道传输。
- client开始传输数据，理论上是管道内的block都可以通过管道进行读取数据，但是我们建立管道是根据路由距离建立的，所以势必存在读取时间长短的问题，block其中一个只要有一个上传成功，默认就是当前请求的block（0~128M）传输完毕。需要注意的是在这里传输数据是以packet为单位进行传输的，以packet里的chunk为单位进行校验的。
- 第一个block上传完毕之后，client开始请求上传第二个block...（每上传一个block都会向namenode请求）。