Hadoop 从 0 到 1 学习 ——第三章 初识HDFS

1. HDFS 概述

1.1 HDFS 产生背景及定义

1.11 HDFS 产生背景

随着数据量越来越大，在一个操作系统存储不下所有的数据，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。

1.1.2 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。

1.1.3 HDFS 的使用场景

适合一次写入，多次读出的场景，且不支持文件的修改。适合用来做数据分析，并不适合用来做网盘应用。

1.2 HDFS 优缺点

1.2.1 优点

1. 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。

   

   某个副本丢失后，它可以自动恢复。

   

2. 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 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。

3. 可构建在廉价机器上，通过副本机制，提高可靠性。

1.2.2 缺点

1. 不适合低延时的数据访问，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. 不知粗并发写入、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。

1.3 HDFS 组成架构

1.3.1 NameNode (nn)

NameNode 就是 Master，它是一个主管、管理者。

1. 管理 HDFS 的名称空间
2. 配置副本策略
3. 管理数据块 (Block) 映射信息
4. 处理客户端读写请求

1.3.2 DataNode

DateNode 就是 Slave。NameNode 下达命令，DataNode 执行实际的操作。

1. 存储实际的数据块
2. 执行数据块的读/写操作

1.3.3 Client

Client 就是客户端。

1. 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
2. 与 NameNode 交互，获取文件的位置信息
3. 与 DataNode 交互，读写数据
4. Client 提供一些命令来管理 HDFS，比如 NameNode 格式化
5. Client 可以通过一些命令来访问 HDFS，比如对 HDFS 增删查改操作

1.3.4 Secondary NameNode

并非 NameNode的热备。当 Name 挂掉的时候，它并不能马上替换 NameNode 并提供服务。

1. 辅助 NameNode，分担其工作量，比如定期合并 Fsimage 和 Edits，并推送给 NameNode
2. 在紧急情况下，可辅助恢复 NameNode

1.4 HDFS 文件块大小 (面试重点)

HDFS 中的文件在物理上是分块存储 (Block)，块的大小是可以通过配置参数(dfs .blocksize)来规定，默认大小在 Hadoop2.x 版本中是 128M，老版本中是 64M。

思考：为什么块的大小不能设置太小，也不能设置太大？

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。导致程序处理这块数据是，会非常慢。

总结：HDFS 块的大小设置主页取决于磁盘的传输速率。