文章目录
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
-
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。
-
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。
-
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
-
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。
-
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。
-
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。
- 管理 HDFS 的名称空间
- 配置副本策略
- 管理数据块 (Block) 映射信息
- 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。
- 存储实际的数据块
- 执行数据块的读/写操作
1.3.3 Client
Client 就是客户端。
- 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,获取文件的位置信息
- 与 DataNode 交互,读写数据
- 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。
- 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
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?
- 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
- 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。