MAC M1大数据0-1成神篇-17 hadoop(分布式文件系统架构)

写在前面：

• 在部署hadoop之前，先学习下分布式架构。
• FS File System
  • 文件系统是基于硬盘之上的一个文件管理的工具
  • 我们用户操作文件系统可以和硬盘进行解耦
• DFS Distributed File System:
  • 分布式文件系统
  • 将我们的数据存放在多台电脑上存储
  • 分布式文件系统有很多
  • HDFS是mapreduce计算的基础

进入主题：

文件切分思想

• 文件存放在一个磁盘上效率肯定是低的
  • 读取效率低
  • 如果文件特别大会超出单机的存储范围
• 字节数组
  • 文件在磁盘真实存储文件的抽象概念
  • 数组可以进行拆分和组装，源文件不会受到影响
• 切分数据
  • 对字节数组进行切分
• 拼接数据
  • 按照数组的偏移量将数据连接到一起,将字节数组链接到一起
• 偏移量
  • 当前数据在数组中的相对位置，你可以理解为下标
  • 数组都有对应的索引(下标),可以快速的定位数据
• 数据存储的原理：
  • 不管文件的的大小，所有的文件都是由字节数组构成
  • 如果我们要切分文件,就是将一个字节数组分成多份
  • 我们将切分后的数据拼接到一起，数据可以继续使用
  • 我们需要根据数据的偏移量将他们重新拼接到一起

 Block拆分标准

• 拆分的数据块需要等大
  • 数据计算的时候简化问题的复杂度
    • 进行分布式算法设计的时候，数据不统一，算法很难设计
  • 数据拉取的时候时间相对一致
  • 通过偏移量就知道这个块的位置
  • 相同文件，分成的数据块大小应该相等 
• 数据块Block
  • 数据被切分后的一个整体称之为块
  • 在H1默认大小为64M,在H2及其以后默认大小为128M
  • 同一个文件中，每个数据块大小要一致除了最后一个节点外
    • 不同文件中，块的大小可以不一致
    • 文件大小不同可以设置不同的块的数量
  • 真实情况下，会根据文件大小和集群节点的数量综合考虑块的大小
  • 数据块的个数=Ceil（文件大小/每个块的大小）
• 注意事项
  • HDFS中一旦文件被存储，数据不允许被修改
    • 修改会影响偏移量
    • 修改会导致数据倾斜
    • 修改数据会导致蝴蝶效益
  • 但是可以被追加，但是不推荐
    • 追加设置需要手动打开
  • 一般HDFS存储的都是历史数据。所以将来Hadoop的mr都用来进行离线数据的处理
  • 块的大小一旦文件上传之后就不允许被修改
    • 128m -512M

Block数据安全

• 肯定要对存储数据做备份
• 备份的数据肯定不能存放在一个节点上
  • 使用数据的时候可以就近获取数据
• 所以备份的数量要小于等于节点的数量
• 每个数据块会有3个副本，相同副本是不会存放在同一个节点上
• 副本的数量可以变更
  • 可能近期的数据被分析的可能性跟大，副本数可以多设置几个
  • 后期数据很少被分析，可以减少副本数 

 Block的管理效率

• 需要专门给节点进行分工
  • 存储DataNode
  • 记录NameNode
  • 日志secondaryNameNode 
  • 
  • 

HDFS的特点 

• 优点
  • a)高容错性
    • i.保存多个副本，且提供容错机制。
    • ii.副本丢失或宕机自动恢复。默认存3份。
  • b)运行在廉价的机器上（商用机）
    • i.通过副本提高可靠性
    • ii.提供了容错和恢复机制
  • c)适合批处理
    • i.移动计算而非数据
    • ii.数据位置暴露给计算框架。NameNode上有位置
  • d)适合大数据的处理
    • i.TB，甚至PB级数据
    • ii.百万规模以上的文件数量
    • iii.10K+节点规模
  • e)流式数据访问
    • i.一次写入，多次读取，高吞吐量，所以可以同时处理大量数据
• 缺点
  • a)不擅长低延迟数据访问比如毫秒级
  • b)不擅长小文件的分区
    • i.占用NameNode大量内存
    • ii.磁盘寻道时间超过读取时间
  • c)不擅长并发写入，文件随机修改
    • i.一个文件只能有一个写入者
    • ii.仅支持append,也就是添加（有组件实现删等）

梳理图解：

 

  

 

  

完毕。