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
-
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。
-
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。
-
流式数据访问,它能保证数据的一致性。
-
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
-
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。
-
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。
-
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。