我与HDFS那些事儿(一)HDFS的数据存储

闲话不多说，就来聊聊这些年与HDFS的那些事儿，我们首先来聊聊HDFS的数据存储。HDFS正是先有了数据的存储，才有后续的写入和管理等操作。数据存储包括两块：
1.内存存储；内存存储是一种十分特殊的存储方式，将会对集群数据的读写性能带来不小的提升。
2.异构存储；异构存贮能够帮助我们更加合理的把数据存到该存的地方。

HDFS内存存储

HDFS的内存存储与HDFS的缓存是有些异同的，大家注意区分。相同之处：都是使用机器的内存作为存储数据的载体。不同之处在于：缓存需要使用HDFS缓存管理命令，更像是改进用户使用的一种功能；而内存存储则使用内存存储策略，直接将内存作为数据存放的载体，可以理解为此时此节点的内存充当了一块“磁盘”，从底层扩展了数据存储方式。

HDFS内存存储原理
在了解内存存储原理之前大家可能会有这样两个疑问：1.数据临时维护在内存中，服务一旦停止，数据会不会全部丢失；2.如果服务停止时做持久化操作，如果数据量很大，一来内存空间可能不够用，二来大量数据写入磁盘的速度也会很慢；
所以通用的、比较好的做法时异步持久化。
在内存存储新数据的同时，持久化距离当前时刻最远（存储时间最早）的数据。好比有个内存数据块队列，在队列头不断有新增的数据块插入，在队列尾部的块，需要持久化到磁盘，形成一个循环。
HDFS的LAZY_PERSIST内存存储策略用的就是这套方法。
linux虚拟内存盘
想要将内存当作一块盘来用，需要了解linux中的另一项技术，虚拟内存盘；虚拟内存盘可以在某些特定的内存式存储文件系统下结合使用，比如tmpfs,ramfs。
HDFS的内存存储流程分析
HDFS文件内存存储策略设置
第一种方式，通过命令行的方式：

hdfs storagepolicies -setStoragePolicy -path <path> -policy LAZY_PERSIST

第二种方法，调用对应的程序方法，比如暴露在外的create文件方法，但是得带上参数CreateFlag.LAZY_PERSIST。
5. LAZY_PERSIST内存存储的使用
第一步，准备内存存储的介质，需要完成虚拟内存盘的配置工作。以tmpfs为例，tmpfs默认式被挂载到/dev/shm，并且大小是32G。也就是说此目录中的数据实际上是存在内存中的。如果想挂载到自己的目录，可以使用以下命令：

sudo mount -t tmpfs -o size=16g tmpfs /mnt/dn-tmpfs/

首先需要将机器中完成好的虚拟内存盘配置到dfs.datanode.data.dir中，其次还要带上RAM_DISK标签。

<property><name>dfs.datanode.data.dir</name><value>/grid/0,/grid/1,/grid/2,[RAM_DISK]/mnt/dn-tmpfs/</value>
</property>

第二步，是设置具体的文件策略类型。方法参见上文。

HDFS异构存储

HDFS在2.6.0版本引入异构存储。可以各个存储介质读写特性的不同发挥各自的优势。比较适用的场景就是冷热数据的存储。对冷数据采用容量大，读写性能不高的存储介质，对于热数据，采用SSD的方式进行存储。

异构存储类型；
RAM_DISK
SSD
DISK
ARCHIVE
四种存储方式速度依次递减。RAM_DISK就是内存存储，SSD不必再解释，对热数据存储在这两种介质中，可以提高效率。ARCHIVE没有特质哪种存储介质，主要指高密度存储介质，用于解决数据扩容的问题，比较适用于存储冷数据。默认的存储类型是DISK。要让HDFS知道存储目录是哪种存储介质，需要配置dfs.datanode.data.dir属性，参考上文。
异构存储原理
DataNode通过心跳汇报自身数据存储目录的StorageType给NameNode;
随后NameNode进行汇总并更新集群内各个节点的存储类型情况；
待复制文件根据自身设定的存储策略信息向NameNode请求拥有此类型存储介质的DataNode作为候选节点；
块存储策略集合
HOT
COLD
WARM
ALL_SSD
ONE_SSD
LAZY_PERSIST
前三种是根据冷热的角度来划分的，后三种是根据存放盘的性质来划分的。ONE_SSD只有第一个块的副本块是此类型的，其余全部是DISK。ALL_SSD则是全部是SSD的存储。
异构存储的不足之处
用户A在HDFS目录上创建了自己的存储目录/user/A,不设置任何策略，默认是DISK，有一天发现数据不怎么使用了，设置为CLOD,设置setStoragePolicy命令，是否目的就到达了呢？
这里需要额外的执行hdsf -mover命令做文件目录的扫描。在mover命令扫描的过程中如果发现文件目录的实际存储类型与其设置的storagePolicy策略不同，将会进行数据块的迁移。

思考

HDFS的存储，首先要做的是需要区分哪些是经常使用的热数据，哪些是不常使用的冷数据。而这凭感觉多少会很有偏差，以此，对数据资产的管理，清楚的知道哪些数据有用，经常被使用，还是蛮重要的一件事情。