大数据学习03_Hadoop: HDFS概述

HDFS概述

HDFS定义

HDFS(Hadoop Distributed File System),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优缺点

• 优点:

1. 高容错性: 数据自动保存多个副本,某个副本丢失后可以自动恢复
2. 适合处理大数据
3. 可构建在廉价机器上

• 缺点:

1. 不适合低延时数据访问
2. 无法高效地对大量小文件进行存储
   1. 存储大量小文件会占用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的内存有限
   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
3. 不支持并发写入、文件随机修改。
   1. 一个文件只能有一个线程进行写,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

HDFS组成架构

HDFS组成架构:

1. NameNode: 是Master,它是一个主管、管理者
   1. 管理HDFS的名称空间
   2. 配置副本策略
   3. 管理数据块(Block)映射信息
   4. 处理客户端读写请求
2. 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
3. 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,然后进行上传
   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NameNode格式化
   5. Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作
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
   1. 辅助NameNode,分担其工作量.如定期合并Fsimage和Edits,并推送给NameNode
   2. 在紧急情况下,可辅助恢复NameNode

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,在Hadoop2.x版本中块的默认大小是128M,为什么块的大小设置为128M:

1. 目前硬盘的寻址时间约为10ms,即查找到目标block的时间为10ms. 硬盘的传输速率遍为100MB/s
2. 寻址时间为传输时间的1%时为最理想状态,因此理想传输时间为10ms/1%=1s
3. 因此设置block大小=理想传输时间1s*传输速率100MB/s=100MB

思考题: 为什么块的大小不能设置太小，也不能设置太大？

1. 若HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；
2. 如果块设置的太大，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。导致程序在处理这块数据时，会非常慢。

总结: HDFS块的大小设置主要取决于磁盘传输速率。