HDFS文件系统介绍(1)

     在Hadoop(CDH)分布式环境搭建(简单易懂,绝对有效!)这篇博客中,小菌在最后为大家带来了HDFS的初体验。一些大数据专业的粉丝私信小菌希望能再详细讲讲HDFS的相关内容。于是本次分享,小菌将为大家带来HDFS的文件系统介绍。
        在介绍文件系统之前我们需要先弄清楚HDFS的作用。我们都知道HDFS是Hadoop的一个核心组件，那在Hadoop中HDFS扮演着怎样的一个角色呢?相信通过下面这张图小伙伴们就一目了然了!

总结：
Hadoop的主要组成部分:
   Hadoop  HDFS：一个高可靠、高吞吐量的分布式文件系统，对海量数据的存储。
   Hadoop  MapReduce：一个分布式的资源调度和离线并行计算框架。
   Hadoop  Yarn：基于HDFS,用于作业调度和集群资源管理的框架。

 

 哈哈有的小伙伴们可能都等不及了,那我们接着就开始聊HDFS(o´▽｀o)
HDFS基本介绍
        HDFS 是 Hadoop Distribute File System 的简称，意为：Hadoop 分布式文件系统。是 Hadoop 核心组件之一，作为最底层的分布式存储服务而存在。
        分布式文件系统解决的问题就是大数据存储。它们是横跨在多台计算机上的存储系统。分布式文件系统在大数据时代有着广泛的应用前景，它们为存储和处理超大规模数据提供所需的扩展能力。

对HDFS文件系统的理解:
将多个节点上的容量汇总到一起,拼接成一个大的文件系统,在一个节点上传数据,在其他的节点上都能够访问使用!

        HDFS使用Master和Slave结构对集群进行管理。一般一个 HDFS 集群只有一个 Namenode 和一定数目的Datanode 组成。Namenode 是 HDFS 集群主节点，Datanode 是 HDFS 集群从节点，两种角色各司其职，共同协调完成分布式的文件存储服务。
        为了让大家对Master和Slave结构和Namenode,DataNode有更好的理解,小菌为大家准备了几张生动形象的图片供大家参阅！

 

 

 

总结:
   NameNode（Master）管理者 - 只负责管理，管理集群内各个节点。
   SecondaryNameNode 辅助管理 – 只负责辅助NameNode管理工作。
   DataNode(Slave) 工作者，是负责工作，周期向NameNode汇报，进行读写数据。

1)HDFS集群包括，NameNode和DataNode以及Secondary Namenode。
2)NameNode负责管理整个文件系统的`元数据`，以及每一个路径（文件）所对应的数据块信息。
3)DataNode 负责管理用户的文件数据块，每一个数据块都可以在多个datanode上存储多个副本。
4)Secondary NameNode用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。最主要作用是辅助namenode管理元数据信息

HDFS分块存储
        hdfs将所有的文件全部抽象成为block块来进行存储，不管文件大小，全部一视同仁都是以block块的统一大小和形式进行存储，方便我们的分布式文件系统对文件的管理。

所有的文件都是以block块的方式存放在HDFS文件系统当中，在Hadoop1当中，文件的block块默认大小是64M，Hadoop2当中，文件的block块大小默认是128M，block块的大小可以通过hdfs-site.xml当中的配置文件进行指定。 

<property>
        <name>dfs.block.size</name>
        <value>块大小 以字节为单位</value>//只写数值就可以
    </property>

 

注意:
如果在面试的时候,HR问你这个问题,你该如何回答?
一个文件100M，上传到HDFS占用几个快？一个块128M，剩余的28M怎么办？
answer:
事实上，128只是个数字，数据超过128M，便进行切分，如果没有超过128M，就不用切分，有多少算多少，不足128M的也是一个块。这个块的大小就是100M，没有剩余28M这个概念。
这可是一道很容易出错的面试题,大家一定要记清楚哦~

抽象成数据块的好处
        为什么HDFS要将数据抽象成数据块呢?让我们一起来看看吧~

1.一个文件有可能大于集群中任意一个磁盘 
 20T/128 = xxx块，这些block块属于一个文件
2.使用块抽象而不是文件,可以简化存储子系统。
3.块非常适合用于数据备份进而提供数据容错能力和可用性

 通常DataNode从磁盘中读取块，但对于访问频繁的文件，其对应的块可能被显示的缓存在DataNode的内存中，以堆外块缓存的形式存在。默认情况下，一个块仅缓存在一个DataNode的内存中，当然可以针对每个文件配置DataNode的数量。作业调度器通过在缓存块的DataNode上运行任务，可以利用块缓存的优势提高读操作的性能。

HDFS副本机制
        HDFS视硬件错误为常态，硬件服务器随时有可能发生故障。
        为了容错，文件的所有 block 都会有副本。每个文件的 block 大小和副本系数都是可配置的。应用程序可以指定某个文件的副本数目。副本系数可以在文件创建的时候指定，也可以在之后改变。
        数据副本默认保存三个副本，我们可以更改副本数以提高数据的安全性
        在hdfs-site.xml当中修改以下配置属性，即可更改文件的副本数

<property>
      <name>dfs.replication</name>
      #  这里填写副本数,修改完毕之后记得重启集群生效
      <value>3</value>
</property>

低版本Hadoop副本节点选择

第一个副本在client所处的节点上。如果客户端在集群外，随机选一个。
第二个副本和第一个副本位于不相同机架的随机节点上。
第三个副本和第二个副本位于相同机架，节点随机。

Hadoop2.7.2副本节点选择(掌握!) 

`    第一个副本在client所处的节点上。如果客户端在集群外，随机选一个。
    第二个副本和第一个副本位于相同机架，随机节点。
    第三个副本位于不同机架，随机节点。`

 名字空间（NameSpace）
        HDFS 支持传统的层次型文件组织结构。用户或者应用程序可以创建目录，然后将文件保存在这些目录里。文件系统名字空间的层次结构和大多数现有的文件系统类似：用户可以创建、删除、移动或重命名文件。
        Namenode 负责维护文件系统的名字空间，任何对文件系统名字空间或属性的修改都将被Namenode 记录下来。
        HDFS 会给客户端提供一个统一的目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data。

Namenode 功能

        我们把目录结构及文件分块位置信息叫做元数据。1.Namenode负维护整个hdfs文件系统的目录树结构，以及每一个文件所对应的 block 块信息(block 的id，及所在的datanode 服务器)。

 

  2.Namenode节点负责确定指定的文件块到具体的Datanode结点的映射关系。在客户端与数据节点之间共享数据。

  3.管理Datanode结点的状态报告，包括Datanode结点的健康状态报告和其所在结点上数据块状态报告，以便能够及时处理失效的数据结点。

 Datanode功能
        1.文件的各个 block 的具体存储管理由 datanode 节点承担。每一个 block 都可以在多个datanode 上。Datanode 需要定时向 Namenode 汇报自己持有的 block信息。 存储多个副本（副本数量也可以通过参数设置 dfs.replication，默认是 3）。

 

2.向Namenode结点报告状态。每个Datanode结点会周期性地向Namenode发送心跳信号和文件块状态报告。

        心跳是每3秒一次，心跳返回结果带有namenode给该datanode的命令如复制块数据到另一台机器，或删除某个数据块。如果超过10分钟没有收到某个datanode的心跳，则认为该节点不可用。
        DataNode启动后向namenode注册，通过后，周期性（1小时）的向namenode上报所有的块信息。

 

 3.执行数据的流水线复制。当文件系统客户端从Namenode服务器进程获取到要进行复制的数据块列表后，完成文件块及其块副本的流水线复制。

        一个数据块在datanode上以文件形式存储在磁盘上，包括两个文件，一个是数据本身，一个是元数据包括数据块的长度，块数据的校验和，以及时间戳。

总结
1.对HDFS文件系统容量的理解
将多个节点上的容量汇总到一起,拼接成一个大的文件系统,在一个节点上传数据,在其他的节点上都能够访问使用

2.Namenode的作用
1.维护,管理文件系统的名字空间(元数据信息)
2.负责确定指定文件块到具体的DataNode节点的映射关系
3.维护管理DataNode上报的心跳信息

3.DataNode的作用
1.负责工作，进行读写数据(响应的是客户端)。
2.周期性地向NameNode汇报(数据块的信息,校验和)。
3.负责管理用户的文件数据块(一个大的数据拆分成多个小的数据块),执行流水线的复制!

4.Secondary NameNode在HDFS中是什么作用，他能不能替代NameNode？
Secondary NameNode主要作用是辅助namenode管理元数据信息，负责辅助NameNode管理工作。他不能替代NameNode

5.HDFS副本的存放机制
a.第一份数据存放在客户端
b.第二份副本存放的位置与第一份数据在同一机架中,且不再同一节点,按照一定的规则找到一个节点存放
c.第三个副本存放的位置是与第一第二分数据副本不再同一机架上,且逻辑与存放副本1和副本2的逻辑距离最近的机架上,按照一定的规则找到一个节点存放

6.hadoop的组成部分有什么?
a.HDFS:海量数据的存储
b.MapReduce:海量数据的计算
c.YARN:资源调度