大数据技术之Hadoop(HDFS, Hadoop Distributed File System)

chap1 HDFS概述

1.1.1 HDFS产生的背景

随着智能时代的到来，企业能得到的数据量也越来越大，一个操作系统难以存下所有的数据，那么就分配到更多的操作系统管理的磁盘中，但是这种情况不方便企业管理和维护，迫切的需要一种系统来管理多台机器上的文件，因此就诞生了分布式文件管理系统，HDFS就是分布式文件管理系统的一种，其他常见的分布式文件管理系统还有GFS（Google File System), TFS(Taobao File System), Lustre, MooseFS等。

1.1.2 HDFS定义

HDFS，他是一个文件系统，用于存储文件，通过目录树来定位文件；其次，他是分布式的，由很多服务器联合起来实现其功能（多台服务器联合起来干同一件事），集群中的服务器各有各的角色。

1.1.3 HDFS的使用场景

HDFS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。不可修改历史数据，如果必须要修改，就要在原文件的基础上进行追加。

1.2 HDFS优缺点

优点：

• 高容错性：数据自动保存多个副本，它通过增加副本的形式，提高容错性。某一个副本丢失以后，它可以自动恢复。（以为副本多。所以容错性高）
• 适合处理大数据：能够处理数据规模达到GB,TB,甚至PB级别的数据（数据规模大），能够处理百万规模以上的文件数量，数量相当之大（文件规模大), 文件大，文件多，都适合HDFS。
• 可构建在廉价的机器上，通过多副本机制，可提高可靠性。（ps: 以前：小型机，性能高，价格贵，不易崩。现在：普通机，性能普通，价格低，易崩，但是通过副本机制，提高可靠性。机器越来越廉价也是大数据快速落地的一个重要原因。）

缺点：

• 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。（HDFS做不到像MySQL那样的快速查询）
• **无法高效的对大量小文件进行存储：**原因（1）：存储大量小文件的话，他会占用NameNode大量的内存来存储文件目录和快信息，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，他违反了HDFS的设计目标。（HDFS对大量的小文件不适用）
• 不支持并发写入，不支持文件随机修改：（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。
  

1.3 HDFS组成架构（hadoop3.x）

ps: HDFS的组成架构图片来自官网。
（1） NameNode(NN): 就是Master 是一个主管，管理者。 管理HDFS的名称空间；配置副本策略；管理数据块的映射信息；处理客户端的读写请求。
（2）DataNode(DN):就是slave(奴隶，工作者)，NameNode下达命令,DataNode执行实际的操作：存储实际的的数据块；执行数据块的读写操作。
（3）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交互，获取文件的具体位置信息；与DataNode交互，读取或者写入数据；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。
（4）Secondary NameNode(2NN)（图中没有）:并非NameNode的热备（热备：当NameNode挂掉的时候，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(ps:只能恢复一部分数据)