【Hadoop|HDFS篇】HDFS概述

1. HDFS产出背景及定义

1.1 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。

1.2 HDFS 定义

HDFS(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:适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭
之后就不需要改变。

2. HDFS的优缺点

2.1 HDFS的优点

高容错性：

• 数据自动保存多个副本。它可以通过增加副本的形式，提高容错率。
• 某个副本丢失后，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GB，TB，甚至是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，数量相当之大。 

可构建在廉价的机器上，通过多副本机制，提高可靠性。

2.2 HDFS的缺点

1) 不适合低延时数据访问，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。

• 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的设计目标。

3) 不支持并发写入、文件随机修改。

• 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append(追加)，不支持文件的随机修改

3. HDFS的组成架构

1）NameNode(nn)：就是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。

2）DateNode：就是slave。NameNode下达命令，DateNode执行操作。

• 存储实际的数据块。
• 执行数据块的读写操作。

3）Client：就是客户端。

• 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的格式化。
• Client可以通过一些命令来访问HDFS，比如对HDFS的增删改查。

4）Secondary NameNode：并非NameNode热备。当NameNode挂掉的时候，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。

4. HDFS文件块大小

HDFS中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Hadoop3.x/2.x版本是128M，1.x版本是64M.

为什么块的大小不能设置太大，也不能设置太小。

（1）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。

（2）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的时候，会非常慢。