HDFS 概述

1.HDFS产生背景

    随着数据量越来越大，在一个操作系统管辖的范围内存不下了，那么就分配到更多的操作系统管理的磁盘中，但是不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件管理系统。HDFS只是分布式文件管理系统中的一种。

 

2.HDFS概念

    HDFS，它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。

    HDFS的设计适合一次写入，多次读出的场景，且不支持文件的修改。适合用来做数据分析，并不适合用来做网盘应用。

 

3. HDFS 优点

3.1 高容错性

    ① 数据自动保存多个副本。它通过增加副本的形式，提高容错性；

    ② 某一个副本丢失以后，它可以自动恢复。

3.2 适合大数据处理

    ① 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；

    ② 文件规模：能够处理百万规模以上的文件数量，数量相当之大。

3.3 流式数据访问，它能保证数据的一致性。

3.4 可构建在廉价机器上，通过多副本机制，提高可靠性。

 

4.HDFS 缺点

4.1 不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。

4.2 无法高效的对大量小文件进行存储。

    ① 存储大量小文件的话，它会占用NameNode大量的内存来存储文件、目录和块信息。这样是不可取的，因为NameNode的内存总是有限的；

    ② 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。

4.3 并发写入、文件随机修改。

    ① 一个文件只能有一个写，不允许多个线程同时写；

    ② 仅支持数据append（追加），不支持文件的随机修改。

 

5. HDFS组成架构

这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。

5.1 Client：就是客户端。

    （1）文件切分。文件上传HDFS的时候，Client将文件切分成一个一个的Block，然后进行存储；

    （2）与NameNode交互，获取文件的位置信息；

    （3）与DataNode交互，读取或者写入数据

    （4）Client提供一些命令来管理HDFS，比如启动或者关闭HDFS；

    （5）Client可以通过一些命令来访问HDFS；

5.2 NameNode：就是Master，它是一个主管、管理者。

    （1）管理HDFS的名称空间；

    （2）管理数据块（Block）映射信息；

    （3）配置副本策略；

    （4）处理客户端读写请求。

5.3 DataNode：就是Slave。NameNode下达命令，DataNode执行实际的操作。

    （1）存储实际的数据块；

    （2）执行数据块的读/写操作。

5.4 Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。

    （1）辅助NameNode，分担其工作量；

    （2）定期合并Fsimage和Edits，并推送给NameNode；

    （3）在紧急情况下，可辅助恢复NameNode。

 

5.HDFS文件块大小

    HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M。

    HDFS的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。

    如果寻址时间约为10ms，而传输速率为100MB/s，为了使寻址时间仅占传输时间的1%，我们要将块大小设置约为100MB。默认的块大小128MB。

    块的大小：10ms*100*100M/s = 100M