转自：http://my.oschina.net/u/617085/blog/75367

gateway机器是跳板机，提交job到云梯的，在gateway机器上只要配置hadoop-site.xml即可，配置文件中主要是指定jobtracker的地址和hdfs的地址。



gateway机器（相当于job client）提交job和对应的jar包到jobtracker机器上，jobtracker会对提交的作业进行相应的校验，校验通过就初始化这个job，然后jobtracker把对应的job放入调度队列，同时taskTracker会不停的发送心跳信号给jobtracker，如果taskTracker空闲，那么jobtracker会根据调度策略把它分给相应的taskTracker，然后taskTracker就启动一个jvm进程来处理。然后一般taskTracker启动的选择都和datanode的距离有关，一般是先考虑同一服务器的机器，其次是同一机架的，主要是为了减少网络的开销（因为不在同一服务器上的话，还要dataNode的数据传输就需要网路）。

然后taskTracker在跑mapreduce的时候，会请求namenode，由它来告知datanode一系列的信息，比如存储地址，大小等信息。

hdfs的架构图：


namenode主要是维护文件系统的树结构以及树内文件的目录、地址等信息，它负责管理datanode和数据的读写。它一般会由一个second namenode机器来防止单点故障。

hdfs读取数据：

dfs客户端先建立hdfs文件系统的连接，然后从namenode中获取对应data的地址等信息，然后通过inputFormat方法去切割和读取datanode中的文件，这样就完成了数据的读取。

hdfs写入数据：

dfs客户端首先建立hdfs文件系统的连接，然后通过create方法告知它要创建一个文件，然后namenode开始创建一个文件名称，通过hdfs的写入流类进行对datanode数据的写入，它的写入是以包的形式写入的，然后每次写入会有一个ack的包确认信号返回，也就是途中datanode中的两个相互箭头的表示。