Hadoop框架之——HDFS概述

概述

HDFS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，这就是分布式管理系统，HDFS只是分布式管理系统中的一种

HDSF定义

HDSF (Hadoop Distributed File System) ，它是一个文件系统，用于存储文件，通过目录树来定位角色，其次，它是分布式的，由很多服务器联合起来实现功能，集群中的服务器各有各自的角色

HDFS的使用场景：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优缺点

优点

1.高容错性
（1）数据自动报存多个副本，它通过增加副本的形式，提高容错性
（2）某一个副本丢失之后，它可以自动恢复
2.适合处理大数据
（1） 数据规模：能够处理数据规模达到GB,TB , 甚至PB级别的数据；
（2）文件规模：能够处理百万规模以上的文件数量，数量相当之大
（3）可构建在廉价机器上，通过多副本机制，提高可靠性

缺点

1.不适合做低延时的数据访问，比如毫秒级的存储数据，是做不到的
2.无法高效的对大量小文件进行存储
（1）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
（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，文件随即修改
（1）一个文件只能有一个写，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

组成架构

NameNode

是master ，它是一个主管，管理者

• 管理HDFS的名称空间；
• 配置副本策略；
• 管理数据块（Block）的映射信息；
• 处理客户端读写请求

DataNode

是slave,NameNode下达命令，DataNode执行实际的操作

• 存储实际的数据块
• 执行数据块的读/写操作

Client

客户端

• 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
• 与NameNode进行交互，获取文件的位置信息
• 与DataNode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可以通过一些命令来访问HDFS，比如对HDFS增删改查操作

Secondary NameNode

并非NameNode的热备，当NameNode挂掉的适合，它并不能马上替换NameNode并提供服务

• 辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode
• 在紧急情况下，可辅助恢复NameNode

HDFS文件块大小（面试重点）

HDFS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，默认大小在Hadoop2.x的版本中是128M，老版本是64M

• 集群中的Block
• 如果寻址的时间约为10ms，即找到block的时间为10ms
• 寻址时间为传输时间的1%时，则为最佳状态，因此，传输时间 = 10ms/0.01=1000ms =1s
• 而目前磁盘的传输速率普遍为100MB/S
• block大小 = 1s * 100MB = 100MB

思考：为什么块的大小不能设置太小，也不能设置太大？

• HDFS的快设置太小，会增加寻址时间，程序一直在找块的开始位置
• 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所需的时间，导致程序在处理这块数据的时候，会非常慢

总结：HDFS块的大小设置主要取决于磁盘传输速率