HDFS定义和架构

“ Hadoop是一个分布式系统基础架构，用户可以在不了解分布式底层细节的情况下，
轻松实现大规模数据的分布式存储和分布式程序的快速开发，充分利用集群的威力进行大数据的高速存储与运算。
Hadoop分布式文件系统（HDFS）扮演者非常重要的大数据存储作用，它以文件的形式为上层应用海量数据存储服务，并实现高可靠性，高容错性，高扩展性等特点”

HDFS的核心思想：分而治之

01

HDFS的必要性

（1）文件系统处理问题的思路

HDFS以流处理访问模式来存储文件，也就是不随机存取文件的一部分。

读写模式：一次写入，多次读取

数据源通常由源生成或从数据源直接复制而来，接着长时间在此数据集上进行各类分析，大数据不需要搬来搬去

（2）HDFS 流处理方式

DFS使用流处理方式处理文件，每个文件在系统里都能找到它的本地化映像（只需要从DFS里读取）

（3）HDFS文件校验方式

分片冗余，本地校验
数据冗余式存储，直接将多份的分片文件交给分片后的存储服务器去校验

（4）HDFS文件容错方式

冗余分片文件具有容错能力，只要冗余的分片文件中有一份是完整的，经过多
次协同调整后，其他分片文件可保证完整。

经过协调校验，无论是传输错误，I/O错误，还是个别服务器宕机，整个系统里
的文件是完整的。

02

HDFS的特点

（1）运行在廉价的服务器上

HDFS设计理念之一就是让它能运行在普通的硬件之上，即便硬件出现故障，
也可以通过容错策略来保证数据的高可用。

（2）存储超大文件

这里的”超大文件”是指几百MB、GB甚至TB级别的文件

（3）流式数据访问

“一次写入、多次读取”，一个数据集旦由数据源生成，就会被复制分发到不同
的存储节点中，然后响应各种各样的数据分析任务请求。HDFS处理的应用- -般是
批处理，而不是用户交互式处理，注重的是数据的吞吐量而不是数据的访问速度。

（4）集群规模动态扩展高容错

节点动态加入到集群，可以数百数千个。普通计算机上结点故障是正常的事情,
HDFS将数据自动保存多个副本，副本丢失后，自动恢复，实现数据的高容错性。

03

HDFS的缺点

（1）实时性差

要求低时间延迟的应用不适合在HDFS上运行，HDFS是为高数据吞吐量应用而优化的，这可能会以高时间延迟为代价

（2）小文件问题

由于NameNode将文件系统的元数据存储在内存中，因此该文件系统所
能存储的文件总量受限于NameNode的内存总容量。

（3）文件修改问题；

HDFS中的文件只有一个写入者，而且写操作总是将数据添加在文件的末尾，
HDFS不支持具有多个写入者的操作，也不支持在文件的任意位置进行修改。

04

HDFS的元数据包括

（1）文件系统目录树信息

文件名，目录名

文件和目录的从属关系
文件和目录的大小，创建及最后访问时间权限

（2）文件和块的对应关系

文件由哪些块组成

（3）块的存放位置

机器名，块ID

元数据存储在一台指定的服务器上（Name Node）
实际数据存储在集群的其他机器的本地文件系统中（DataNode）

05

HDFS的基本概念

NameNode 用来管理文件系统命名空间的组件

DataNode 块的时间数据存放在DataNode上，每个块会在本地文件系统产生两个文件，一个实际的数据文件，另一个是快的附加信息文件（包括数据的校验和生成时间）

HDFS客户端 需要访问HDFS文件服务的用户或应用（命令行客户端，API客户端）

Secondary NameNode 不是备份节点，而是阶段性的合并fsimage与edits文件，以此来控制edits的文件大小在合理的范围

HDFS采用Master/Slave架构对文件系统进行管理。

愿对你有益，喜欢可关注+收藏，分享给更多的人哦！

长按即可识别关注二维码哦！