HDFS背景及定义

HDFS产生背景：随着数据量越来越大，在一个操作系统存不下所有的数据，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。

HDFS定义 ：hdfs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的使用场景：hdfs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。

HDFS的优点

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。

适合处理大数据：

数据规模：能够处理数据规模达到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

可构建在廉价的机器上，通过多副本机制，提高可靠性。

HDFS的缺点：

不适合低延时数据访问，比如说毫秒级的存储数据，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的设计目地。

不支持并发写入文件和随机修改。

一个文件只能有一个写，不允许多个线程同时写；

仅支持数据的追加，不支持文件的随机修改。

HDFS的组成架构

1、NameNode（nn）：大哥

管理hdfs的名称空间

配置副本策略

管理数据块的映射信息

处理客户端的读写请求

2、DateNode：小弟

存储实际的数据块

执行数据块的读写操作

3、Client（ke lin te）：就是客户端

负责文件切分，然后进行上传。文件上传hdfs的时候，client将文件切分成一个一个的块

与NameNode交互，获取文件位置信息；

与DateNode交互，读取或写入数据；

Client提供一些命令来管理hdfs，比如namenode格式化；

Client可以提供一些命令来访问hdfs，比如对hdfs增删改查操作；

4、Secondary（se ken de run） NameNode：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（ai di si），并推送给namenode

在紧急情况下，可辅助恢复NameNode

HDFS文件块的大小

HDFS中的文件在物理内存上是分块存储，块的大小可以通过配置参数来规定，在hadoop2版本和3版本，默认大小是128M ，老版本是64M；128M是存储上限，如果一个数据没存够128M，剩余的大小是可以存储其它数据的

如果寻址时间约为10ms，即查找到目标的时间为10ms

寻址时间为传输时间的1%时，则为最佳状态。

而目前磁盘的传输速率普遍为100M。

块大小由磁盘的传输速率决定的，块的大小可以进行修改，主要依据传输速度为128M 、256M

为什么块不能设置太小？

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

为什么块不能设置太大？

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

HDFS块的大小设置主要取决于磁盘的传输速率