HDFS知识点总结

HDFS

分布式存储（参考https://www.cnblogs.com/caiyisen/p/7395843.html）

---

---

 

1. Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。

2. HDFS支持数据流读取和处理超大规模文件，并能运行在由廉价普通机器组成的集群上。

3. HDFS要实现的目标

   1. 兼容廉价的硬件设备
   2. 大数据集
   3. 简单的文件模型
   4. 强大的跨平台兼容性
   5. 不适合低延迟数据访问
   6. 无法高效存储大量小文件
   7. 不支持多用户写入任意修改文件

4. HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。

5. HDFS有着高容错性(fault-tolerant)的特点，并且设计用来部署在低廉的(low-cost)硬件上。而且它提供高吞吐量(high throughput)来访问应用程序的数据，适合那些有着超大数据集(large data set)的应用程序。

6. HDFS的相关概念

   1. 块：为提高磁盘读写效率，一般以数据块为单位，而不是以字节为单位。HDFS默认一个块的大小是60MB,在HDFS中文件会被拆分成多个块，每个块作为独立的单位进行存储，HDFS在块的设计上明显大于普通文件系统的原因是：最小化寻址开销。
      1. 使用数据块的好处是：
         1. 一个文件的大小可以大于网络中任意一个磁盘的容量。文件的所有块不需要存储在同一个磁盘上，因此它们可以利用集群上的任意一个磁盘进行存储。
         2. 简化了存储子系统的设计，将存储子系统控制单元设置为块，可简化存储管理，同时元数据就不需要和块一同存储，用一个单独的系统就可以管理这些块的元数据。
         3. 数据块适合用于数据备份进而提供数据容错能力和提高可用性。
   2. 名称节点和数据节点
      1. 名称节点（NameNode 主节点）：负责管理分布式文件系统的命名空间，保存了两个核心数据结构。存储元数据，保存文件。HDFS的守护进程，用来管理文件系统的命名空间，负责记录文件是如何分割成数据块，以及这些数据块分别被存储到那些数据节点上，它的主要功能是对内存及IO进行集中管理。
      2. 数据节点（DataNode 从节点）：分布式文件系统HDFS的工作节点，负责数据的存储和读取，存储计算块，一次写入多次读取，因此适合处理离线数据。文件系统的工作节点，根据需要存储和检索数据块，并且定期向namenode发送他们所存储的块的列表。
   3. 第二名称节点（辅助后台程序，与NameNode进行通信，以便定期保存HDFS元数据的快照）

       

      1. EditLog文件：在名称节点运行期间，HDFS会不断发生更新操作并且直接被写到EditLog文件，所以为解决不断增大的EditLog文件对名称节点在启动过程中的影响，HDFS在设计中采用了第二名称节点。
      2. 第二名称结点的功能：首先，可以完成EditLog与FsImage的合并操作，减小EditLog文件大小，缩短名称节点重启时间。其次可以作为名称节点的“检查点”，保存名称节点中元数据的信息。

7. 命令行接口

   1. 两个属性项： fs.default.name 用来设置Hadoop的默认文件系统，设置hdfs URL则是配置HDFS为Hadoop的默认文件系统。dfs.replication  设置文件系统块的副本个数
   2. 文件系统的基本操作：hadoop fs -help可以获取所有的命令及其解释 常用的有：（详见P55）
      1. hadoop fs -ls /   列出hdfs文件系统根目录下的目录和文件
      2. hadoop fs -copyFromLocal <local path> <hdfs path> 从本地文件系统将一个文件复制到HDFS
      3. hadoop fs -rm -r <hdfs dir or file> 删除文件或文件夹及文件夹下的文件
      4. hadoop fs -mkdir <hdfs dir>在hdfs中新建文件夹
      5. HDFS的文件访问权限：只读权限（r），写入权限（w），可执行权限（x）