1.牛刀小试
张大胖找了个实习的工作， ***天上班Bill师傅给他分了个活儿：日志分析。
张大胖拿到了师傅给的日志文件，大概有几十兆，打开一看， 每一行都长得差不多，类似这样：
212.86.142.33 – - [20/Mar/2017:10:21:41 +0800] “GET / HTTP/1.1″ 200 986 “http://www.baidu.com/” “Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; )"
张大胖知道，这些日志都是Web服务器产生的，里边包含了像客户端IP, 访问时间， 请求的URL，请求处理的状态， referer, User Agent等信息。
师傅说，你想个办法统计一天之内每个页面的访问量(PV)，独立的IP数， 还有用户最喜欢搜索的前10个关键字。
张大胖心说这简单啊，我用Linux上的cat,awk等小工具就能做出来， 不过还是正式一点，用我最喜欢的Python写个程序吧，把每一行文本分割成一个个字段，然后分分组、计算一下不就得了。
慢着， 这样一来这个程序就只能干这些事儿，不太灵活，扩展性不太好。
要不把分割好的字段写入数据库表？
比如access_log(id,ip,timestamp,url, status,referer, user_agent)， 这样就能利用数据库的group 功能和count功能了，sql多强大啊， 想怎么处理就怎么处理。
对，就这么办！
半天以后，张大胖就把这个程序给搞定了，还画了一个架构图，展示给了师傅。
师傅一看：“不错嘛，思路很清晰，还考虑到了扩展性，可以应对以后更多的需求。”
于是这个小工具就这么用了起来。
张大胖毕业以后也顺利地加入了这家公司。
2.分布式
互联网尤其是移动互联网发展得极快，公司网站的用户量暴增，访问量也水涨船高，日志量也很感人，每小时都能产生好几个G，张大胖实习期间“引以为傲”的小程序没法再用了，数据库根本就放不下啊。
不仅数据库放不下，在Web服务器上也放不下了，更不用说去做分析了。
张大胖主动请缨，打算搞定这个问题。 当然他也很聪明地把经验丰富的师傅Bill给拉上了。
两个人来到会议室，开始了讨论。
张大胖先算了一笔账：如果是一台机器，一个硬盘，读取速度是75M/s ，那需要花费10多天才能读取100T的内容。 但是如果是有100个硬盘， 并行的读取速度就能达到75G/s , 几十分钟就可以把100T的数据给读出来了，多快啊。
他对Bill说道：“看来只有分布式存储才能拯救了。多来几台机器吧，把log1, log2,log3...这些文件存放在不同的机器上。”
师傅Bill说道：“你想得太简单了，分布式可不是简单地添加机器， 机器的硬盘坏了怎么办？日志文件是不是就丢失了？ 热门文件怎么办？ 访问量特别大，那对应的机器负载就特别高， 这样不公平啊！
张大胖说道：“***个问题好办，我可以做备份啊，把每个文件都存三个备份。这样坏的可能性就大大降低了。你说的第二个问题，我们的日志哪有什么热门文件？”
“要考虑下通用性嘛！将来你这个分布式的文件系统可以处理别的东西啊。”
“好吧， 我可以被文件切成小块，让他们分散在各个机器上，这就行了吧。 备份的时候，把每个小块都备份三份就解决问题了。”
（备注：三份是***要求）
“那问题就来了，我们该怎么使用呢？ 客户端总不能说把文件的***块从服务器1上取出来，第二块从服务器4上取出来，第三块从服务器2上取出来..... 再说客户端保留这些‘乱七八糟’的信息该多烦人啊。” Bill提出的问题很致命。
“这个......” 张大胖思考了半天， “看来还得做抽象啊，我的分布式文件系统得提供一个抽象层，让文件分块对客户端保持透明， 客户端根本不必知道文件是怎么分块的，分块后存放在什么服务器上。他们只需要知道一个文件的路径/logs/log1，就可以读写了，细节不用操心。”
“不错，看来你已经Get到了，一定要通过抽象给客户端提供一个简单的视图，尽可能让他们像访问本地文件一样来使用！” Bill 立刻做了升华。
“不过，”张大胖突然想到一个问题，“这样的分布式文件系统似乎只适合在文件末尾不断地对追加内容，如果是想随机地读写，比如定位到某个位置，然后写入新的数据，就很麻烦了。”
“这也没办法，事物总是有利有弊，现在的系统就是适合一次写入，多次读取的场景。”
3.元数据
“不过， ”Bill 接着说，“文件被分成了哪些块，这些块都放在什么服务器上，系统有哪些服务器，服务器上都多大空间，这些都是Metadata， 你得专门找个服务器存储起来，我们把这个服务器叫做Metadata节点如何？或者简单一点，叫做NameNode吧！类似于整个系统的大管家。 ”
“好， 我们把那些储存数据的服务器叫做Data节点(DataNode)吧，这样就区分开了。我可以写一个客户端让大家使用，这个客户端通过查询NameNode，定位到文件的分块和存储位置，这样大家就可以读写了！”
Bill在白板上画了一张图，展示了当前的设计：
“绿色虚线的意思是数据的读写流， 对吧， 但是橙色的虚线是什么鬼？” 张大胖问道。
“你想想这么一种情况，如果某个Datanode 的机器挂掉了，它上面的所有文件分块都无法读写了，这时候Namenode如何才能知道呢？ 还有，如果某个Datanode所在机器的磁盘空间不足了，是不是也得让Namenode这个大管家知道？”
“奥，Datanode和Namenode 之间需要定期的通信， 这就麻烦了，我还得特别为他们设计一个通信协议啊！” 张大胖有点沮丧。
“分布式系统就是这样，有很多挑战，机器坏掉，网络断掉..... 你想在普通的、廉价的机器上实现高可靠性是很难的一件事情。”
4.读取文件
“我们再细化下读写的流程吧？” Bill 提议。
“我觉得挺简单啊，比如去读取一个文件，客户端只需把文件名告诉Namenode， 让Namenode把所有数据都返回不就行了？这样客户端对Datanode保持透明，不错吧！”
Bill严肃地摇了摇头：“不行， 如果所有的数据流都经过Namenode， 它会成为瓶颈的！ 无法支持多个客户端的并发访问， 记住，我们要处理的可是TB, 乃至PB级别的数据啊。”
“对对，我没有深入考虑啊！” 张大胖感慨姜还是老的辣，赶紧换个思路， “要不这样，读取文件的时候，Namenode只返回文件的分块以及该分块所在的Datanode列表， 这样我们的客户端就可以选择一个Datanode来读取文件了。”
“但是一个分块有3个备份，到底选哪个？ ” Bill问道
“肯定是最近的那个了，嗯，怎么定义远近呢？” 张大胖犯难了。
“我们可以定义一个‘距离’的概念。 ” Bill 说道。
客户端和Datanode是同一个机器 ： 距离为0 ，表示最近
客户端和Datanode是同一个机架的不同机器 ： 距离为2 ，稍微远一点
客户端和Datanode位于同一个数据中心的不同机架上 ： 距离为4， 更远一点
“没想到分布式系统这么难搞，比我实习做的那个程序难度提高了好几个数量级！”
话虽这么说，张大胖还是画了一个读取文件的流程图：
（注：图中只画出了一个分块的读取，对文件其他分块的读取还会持续进行）
5.写入文件
“写入文件也类似，” 张大胖打算趁热打铁，“让Namenode 找到可以写数据的三个Datanode，返回给我们的客户端，客户端就可以向这三个Datanode 发起写的操作了！”
“假设你有个10G的文件，难道让客户端向Datanode写入3次，使用30G的流量吗？” Bill马上提了一个关键的问题。
“不这么做还能怎么办？ 我们要保存多个备份啊！”
“有个解决办法，我们可以把三个Datanode 组成一个Pipline(管道)， 我们只把数据发给***个Datanode, 让数据在这个管道内‘流动’起来， ***个Datanode发个备份给第二个， 第二个发同样的备份给第三个。”
（注：实际的文件写入比较复杂，有更多细节， 这里只是重点展示pipeline）
“有点意思，客户端只发出一次写的请求，数据的复制由我们的Datanode合作搞定。” 张大胖深为佩服，师傅Bill的脑子就是好使啊。
“还有啊，”Bill说道，“咱们的设计中Namenode这个大管家有单点失败的风险，我们***还是做一个备份的节点。”
张大胖深表赞同。
6.结束？开始？
“我们给这个系统起个名字吧？叫Distrubted File System（简称DFS）怎么样？” 张大胖说。
“俗，太俗，叫Hadoop吧，这是我儿子玩具象的名称。嗯，还是叫Hadoop Distributed File System， HDFS。” Bill 的提议出乎张大胖意料。
“行吧，我们有了HDFS，可以存储海量的日志了，我就可以写个程序，去读取这些文件，统计各种各样的用户访问了。”
“你打算把你的程序放到哪里？”
“自然是放在HDFS之外的某个机器上，然后通过HDFS 客户端去访问数据啊！”
“100T的数据从HDFS的众多机器中读取出来，在一台机器上处理？ 这得多慢啊！ 我们要考虑把计算也做成分布式的，并且让计算程序尽可能地靠近数据，这样就快了！”
“分布式计算？”
“没错，听说过Mapreduce 没有？”
张大胖摇了摇头：“这是什么鬼？”
“我们下次再聊吧！”
后记：这篇文章介绍了HDFS的一些关键设计理念，已经属于非常简化的情况了，没有考虑数据的完整性，节点失效等更多细节。
【本文为51CTO专栏作者“刘欣”的原创稿件，转载请通过作者微信公众号coderising获取授权】
