如何系统学习hdfs

这一年多的时间里，hdfs源码（原理）分析累计也写了30多篇文章了，来一篇文章进行汇总。这篇文章将按照自己的理解来系统的梳理下，应该如何系统的学习hdfs。

先直接上个脑图：

• 入门

首先得了解HDFS是个什么东西，有些什么功能，有哪些比较重要的概念或术语；

然后了解hdfs由哪些组件（模块）构成，分别在整个系统中充当什么角色；

随后自己动手安装部署几遍，包括standalone、HA模式。从安装部署过程中了解有哪些步骤，有哪些配置文件，常用的配置项有哪些，应该如何进行配置才能正确搭建；

安装部署完成后，通过自带的命令进行一些简单的操作，这样会有个整体的概念。

• 基本使用

简单入门后，接下来是通过编写简单示例程序，对hdfs进行操作使用，包括目录的操作（创建、删除目录）、文件的常规操作（创建、读、写、追加写等）等等。

通过这一步后，可以对API有简单了解，同时可以加深一些概念的理解，比如块、副本等。

• 进阶

通过对应api完成一些基本操作后，然后可以进一步深入下hdfs的读写流程，虽然这个读写流程网上的文章随处可见，但还是建议你自己折腾一遍，结合抓包工具、客户端服务端日志、单步调试等手段，了解整个读写流程，甚至可以细到掌握传输数据包的格式是怎样的。

但了解了正常的读写流程就结束了吗？

不，这才刚刚开始！你需要在读写过程中增加大量的异常情况。例如，写过程中，其中一个dn异常会怎样？写过程中，客户端自身异常（例如被kill），此后再追加写同一个文件会怎样？块的默认配置3副本，但实际只有2个dn节点，能不能正确完成写文件操作？等等。。

通过异常测试，观察结果并结合日志、代码分析其中的原因，这样，可以全面掌握读写流程中的细节以及相关原理。

对读写流程这一大块逻辑啃下来后，可以涉猎其他的知识，例如hdfs可以让多用户同时操作，那么首先客户端如何指定文件目录操作的用户？

既然是多用户，那么自然不希望其他用户操作自己的文件目录，那么这就又涉及权限管理。同样，还涉及对不同用户进行存储空间的管理，那么就需要知道配额的功能。

如果普通磁盘不能满足读写性能，考虑上ssd，那么文件如何正确存储到ssd上，以及从ssd上加载，这会涉及hdfs的存储策略、甚至是机架感知、短路读等。

以上都是从用户的角度出发来摸索hdfs的原理，除此之外，hdfs的高可用具体是如何体现，也可以深入去探索研究。

• 高阶及优化

对上面的原理都摸索掌握后，日常的使用可以说是小菜一碟了，那么接下来要考虑的是如何去提升整体的性能了，例如海量的文件存储、数据一致性、大量的读写并发、以及启动速度（通常在异常断电后）等等。

这些涉及了数据在内存中的存储、持久化的存储、元数据的管理、块汇报（增量汇报汇报与全量汇报）、块副本的删除、复制等逻辑，以及启动的流程、持久化文件格式、rpc机制等等。

了解掌握这些原理，同时结合实际的性能测试，处理性能问题能够更加得心应手。

• 运维

最后是运维，简单来说分几个方面，一方面是各种异常情况的处理，这些异常包括磁盘坏了，网络断了，节点异常了，依赖的服务异常了等，hdfs面对这些异常时，自身是如何进行处理的；另一方面是，如何对hdfs进行监测，以掌握整体的健康状态并及时进行必要的处理。最后就是需要手动进行处理的情况了，例如数据进行平衡、坏盘的处理、小文件的归档等等。

以上，就是个人对hdfs的一些总结概括，其中大部分原理有进行过总结（公众号子菜单中能够找到这些文章《深入hdfs系列》），这里就说得相对简单。

另外，还有两个相对比较重要的知识点：EC和联邦，没有列到脑图中，后续有时间进行源码研究后，再总结～