Hadoop如何将TB级大文件的上传性能优化上百倍?
这篇文章,我们来看看,Hadoop的HDFS分布式文件系统的文件上传的性能优化。
首先,我们还是通过一张图来回顾一下文件上传的大概的原理。
由上图所示,文件上传的原理,其实说出来也简单。
比如有个TB级的大文件,太大了,HDFS客户端会给拆成很多block,一个block就是128MB。
这个HDFS客户端你可以理解为是云盘系统、日志采集系统之类的东西。
比如有人上传一个1TB的大文件到网盘,或者是上传个1TB的大日志文件。
然后,HDFS客户端把一个一个的block上传到第一个DataNode
第一个DataNode会把这个block复制一份,做一个副本发送给第二个DataNode。
第二个DataNode发送一个block副本到第三个DataNode。
所以你会发现,一个block有3个副本,分布在三台机器上。任何一台机器宕机,数据是不会丢失的。
最后,一个TB级大文件就被拆散成了N多个MB级的小文件存放在很多台机器上了,这不就是分布式存储么?
二、原始的文件上传方案
今天要讨论的问题,就是那个HDFS客户端上传TB级大文件的时候,到底是怎么上传呢?
我们先来考虑一下,如果用一个比较原始的方式来上传,应该怎么做?
大概能想到的是下面这个图里的样子。
很多java的初学者,估计都知道这样来上传文件,其实无非就是不停的从本地磁盘文件用输入流读取数据,读到一点,就立马通过网络的输出流写到DataNode里去。
上面这种流程图的代码,估计刚毕业的同学都可以立马写出来。因为对文件的输入流最多就是个FileInputStream。
而对DataNode的输出流,最多就是个Socket返回的OutputStream。
然后中间找一个小的内存byte[]数组,进行流对拷就行了,从本地文件读一点数据,就给DataNode发一点数据。
但是如果你要这么弄,那性能真是极其的低下了,网络通信讲究的是适当频率,每次batch批量发送,你得读一大批数据,通过网络通信发一批数据。
不能说读一点点数据,就立马来一次网络通信,就发出去这一点点的数据。
如果按照上面这种原始的方式,绝对会导致网络通信效率极其低下,大文件上传性能很差。
为什么这么说呢?
相当于你可能刚读出来几百个字节的数据,立马就写网络,卡顿个比如几百毫秒。
然后再读下一批几百个字节的数据,再写网络卡顿个几百毫秒,这个性能很差,在工业级的大规模分布式系统中,是无法容忍的。
三、HDFS对大文件上传的性能优化
好,看完了原始的文件上传,那么我们来看看,Hadoop中的大文件上传是如何优化性能的呢?一起来看看下面那张图。
首先你需要自己创建一个针对本地TB级磁盘文件的输入流。
然后读到数据之后立马写入HDFS提供的FSDataOutputStream输出流。
这个FSDataOutputStream输出流在干啥?
大家觉得他会天真的立马把数据通过网络传输写给DataNode吗?
答案当然是否定的了!这么干的话,不就跟之前的那种方式一样了!
1. Chunk缓冲机制
首先,数据会被写入一个chunk缓冲数组,这个chunk是一个512字节大小的数据片段,你可以这么来理解。
然后这个缓冲数组可以容纳多个chunk大小的数据在里面缓冲。
光是这个缓冲,首先就可以让客户端快速的写入数据了,不至于说几百字节就要进行一次网络传输,想一想,是不是这样?
2. Packet数据包机制
接着,当chunk缓冲数组都写满了之后,就会把这个chunk缓冲数组进行一下chunk切割,切割为一个一个的chunk,一个chunk是一个数据片段。
然后多个chunk会直接一次性写入另外一个内存缓冲数据结构,就是Packet数据包。
一个Packet数据包,设计为可以容纳127个chunk,大小大致为64mb。所以说大量的chunk会不断的写入Packet数据包的内存缓冲中。
通过这个Packet数据包机制的设计,又可以在内存中容纳大量的数据,进一步避免了频繁的网络传输影响性能。
3. 内存队列异步发送机制
当一个Packet被塞满了chunk之后,就会将这个Packet放入一个内存队列来进行排队。
然后有一个DataStreamer线程会不断的获取队列中的Packet数据包,通过网络传输直接写一个Packet数据包给DataNode。
如果一个Block默认是128mb的话,那么一个Block默认会对应两个Packet数据包,每个Packet数据包是64MB。
也就是说,传送两个Packet数据包给DataNode之后,就会发一个通知说,一个Block的数据都传输完毕。
这样DataNode就知道自己收到一个Block了,里面包含了人家发送过来的两个Packet数据包。
四、总结
OK,大家看完了上面的那个图以及Hadoop采取的大文件上传机制,是不是感觉设计的很巧妙?
说白了,工业级的大规模分布式系统,都不会采取特别简单的代码和模式,那样性能很低下。
这里都有大量的并发优化、网络IO优化、内存优化、磁盘读写优化的架构设计、生产方案在里面。
所以大家观察上面那个图,HDFS客户端可以快速的将tb级大文件的数据读出来,然后快速的交给HDFS的输出流写入内存。
基于内存里的chunk缓冲机制、packet数据包机制、内存队列异步发送机制。绝对不会有任何网络传输的卡顿,导致大文件的上传速度变慢。
反而通过上述几种机制,可以上百倍的提升一个TB级大文件的上传性能。
最新文章
- json文件
- 如何部署Icinga客户端
- ORA-06552: PL/SQL: Compilation unit analysis terminated ORA-06553: PLS-553: character set name is not recognized
- 【leetcode】Binary Tree Zigzag Level Order Traversal
- DIV嵌套垂直居中
- 关于伪类元素:before和:after
- Unicode基本概念
- Jmeter教程
- zoj 3757 Alice and Bob and Cue Sports 月赛A 模拟
- 取得正在运行的Activity
- Cookie和Session的原理图
- Oracle dual表的用途
- .net 4.0 中的特性总结(五):并行编程
- Unity-批量修改Prefab上的属性
- 不用写代码的框架 - RobotFramework+Eclispe环境安装篇
- Word图片、表格添加题注
- react使用create-react-app创建的项目部署
- HTML一些有趣的东西
- springboot实现xml传参和返回值
- JavaScript -- History
热门文章
- ES6知识整理(3)--函数的扩展
- Could not complete request
- Golang中map的三种声明方式和简单实现增删改查
- python的paramiko模块-远程登录linux主机并操作
- P4577 [FJOI2018]领导集团问题
- ldap集成jenkins
- bzoj 4318 OSU! - 动态规划 - 概率与期望
- 取球游戏|2012年蓝桥杯B组题解析第十题-fishers
- 【做题】Codeforces Round #436 (Div. 2) F. Cities Excursions——图论+dfs
- Java内存模型原理总结(转自51CTO)