【HDFS】一 HDFS 概述

1.1 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。

1.2 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。

1.3 HDFS 优缺点

1.3.1 优点

1. 高容错性

   • 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；
   • 某一个副本丢失以后，它可以自动恢复。

2. 适合大数据处理

   • 数据规模：能够处理数据规模达到 GB、TB、甚至 PB 级别的数据；
   • 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. 流式数据访问，它能保证数据的一致性。

4. 可构建在廉价机器上，通过多副本机制，提高可靠性。可构建在廉价机器上，通过多副本机制，提高可靠性。

1.3.2 缺点

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。

2. 无法高效的对大量小文件进行存储。

   • 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；
   • 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。

3. 并发写入、文件随机修改。

   • 一个文件只能有一个写，不允许多个线程同时写；
   • 仅支持数据 append（追加），不支持文件的随机修改。

1.4 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。

1、Client：就是客户端。

• 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；
• 与NameNode 交互，获取文件的位置信息；
• 与DataNode 交互，读取或者写入数据；
• Client 提供一些命令来管理HDFS，比如启动或者关闭 HDFS；
• Client 可以通过一些命令来访问HDFS；

2、NameNode：就是 Master，它是一个主管、管理者。

• 管理 HDFS 的名称空间；
• 管理数据块（Block）映射信息；
• 配置副本策略；
• 处理客户端读写请求。

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

• 存储实际的数据块；
• 执行数据块的读/写操作。

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。

• 辅助 NameNode，分担其工作量；
• 定期合并 Fsimage 和 Edits，并推送给 NameNode；
• 在紧急情况下，可辅助恢复NameNode。

1.5 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：10ms100100M/s = 100M

块设置太小，会增加寻址时间，程序一直在找快开始的位置；
块太大，从磁盘传输数据的时间会明显大于定位这个快开始的位置所需时间，导致程序一直在处理数据，会非常慢。
总结：HDFS块的大小设置主要取决于磁盘的传输速率。