创始人:Doug cutting有两个有名的开源项目一个是搜索索引器Lucene,之后为了解决Lucene大规模数据问题,创建了Hadoop开源框架。其中Lucene是他妻子的名字,Hadoop是他儿子玩具大象的名字。
- Hadoop简介:两个重要的组成部分,存储和计算
- 分布式存储系统HDFS (Hadoop Distributed File System )
• 分布式存储系统
• 提供了 高可靠性、高扩展性和高吞吐率的数据存储服务 - 分布式计算框架MapReduce
• 分布式计算框架
•具有 易于编程、高容错性和高扩展性等优点。
- 分布式存储系统HDFS (Hadoop Distributed File System )
- HDFS优点:
- 高容错性
•数据自动保存多个副本
•副本丢失后,自动恢复 - 适合批处理
•移动计算而非数据
•数据位置暴露给计算框架 - 适合大数据处理
•GB 、TB 、甚至PB 级数据
•百万规模以上的文件数量
•10K+ 节点 - 可构建在廉价机器上
•通过多副本提高可靠性
•提供了容错和恢复机制
- 高容错性
- HDFS缺点:这些缺点将是spark的改进部分
- 低延迟数据访问
•比如毫秒级
•低延迟与高吞吐率 - 小文件存取
•占用NameNode 大量内存
•寻道时间超过读取时间 - 并发写入、文件随机修改
•一个文件只能有一个写者
•仅支持append
- 低延迟数据访问
- HDFS架构:
- HDFS设计思想:
HDFS 数据存储单元(block)
- 文件被切分成固定大小的数据块
•默认数据块大小为64MB ,可配置
•若文件大小不到64MB ,则单独存成一个block - 一个文件存储方式
•按大小被切分成若干个block ,存储到不同节点上
•默认情况下每个block都有三个副本 - Block大小和副本数通过Client端上传文件时设置,文件上传成功后副本数可以变更,Block Size不可变更
- 文件被切分成固定大小的数据块
- HDFS写流程:
- HDFS读流程: