HDFS
分布式存储(参考https://www.cnblogs.com/caiyisen/p/7395843.html)
-
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。
-
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。
-
HDFS要实现的目标
- 兼容廉价的硬件设备
- 大数据集
- 简单的文件模型
- 强大的跨平台兼容性
- 不适合低延迟数据访问
- 无法高效存储大量小文件
- 不支持多用户写入任意修改文件
-
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。
-
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。
-
HDFS的相关概念
- 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。
- 使用数据块的好处是:
- 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。
- 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。
- 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。
- 使用数据块的好处是:
- 名称节点和数据节点
- 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。
- 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。
- 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)
- 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。
- 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。
- 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。
-
命令行接口
- 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
- 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)
- hadoop fs -ls / 列出hdfs文件系统根目录下的目录和文件
- hadoop fs -copyFromLocal <local path> <hdfs path> 从本地文件系统将一个文件复制到HDFS
- hadoop fs -rm -r <hdfs dir or file> 删除文件或文件夹及文件夹下的文件
- hadoop fs -mkdir <hdfs dir>在hdfs中新建文件夹
- HDFS的文件访问权限:只读权限(r),写入权限(w),可执行权限(x)