第1章 HDFS概述

1.1 HDFS产生背景

随着数据量越来越大，在一个操作系统管辖的范围内存不下了，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。

1.2 HDFS概念

HDFS，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。

HDFS的设计适合一次写入，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。

1.3 HDFS优缺点

1.3.1 优点

1）高容错性

• （1）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。
• （2）某一个副本丢失以后，它可以自动恢复。

2）适合大数据处理

• （1）数据规模：能够处理数据规模达到 GB、TB、甚至PB级别的数据。
• （2）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）流式数据访问，它能保证数据的一致性。
4）可构建在廉价机器上，通过多副本机制，提高可靠性。

1.3.2 缺点

1）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。
2）无法高效的对大量小文件进行存储

• （1）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。
• （2）小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。

3）并发写入、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。

1.4 HDFS组成架构

Hdfs架构.png

1）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，然后进行存储。
• （2）与NameNode交互，获取文件的位置信息。
• （3）与DataNode交互，读取或者写入数据。
• （4）Client提供一些命令来管理HDFS，比如启动或者关闭HDFS。
• （5）Client可以通过一些命令来访问HDFS。

2）NameNode：就是Master，它是一个主管、管理者。

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

3）DataNode：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。

4）Secondary NameNode：并非NameNode的热备。当NameNode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。
• （2）定期合并Fsimage和Edits，并推送给NameNode。
• （3）在紧急情况下，可辅助恢复NameNode。

1.5 HDFS 文件块大小

HDFS中的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M。

HDFS的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，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。因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。

如果寻址时间约为10ms，而传输速率为100MB/s，为了使寻址时间仅占传输时间的1%，我们要将块大小设置约为100MB。默认的块大小128MB。

块的大小：10ms100100M/s = 100M