HDFS概述

一、 HDFS产出背景及定义

1.1 HDFS产生背景

随着数据量越来越大，在一个操作系统存不下所有的数据，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。

1.2 HDFS定义

HDFS (Hadoop Distributed File System)，它是一一个文件系统，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。

二、 HDFS优缺点

2.1 优点

• 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。

• 适合处理大数据
  (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。

• 可构建在廉价机器上，通过多副本机制,提高可靠性。

2.2 缺点

• 不适合低延时数据访问,比如毫秒级的存数据，是做不到的。

• 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) 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。

• 不支持并发写入、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。

三、HDFS组成架构

1. NameNode (nn)

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。

2. 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。

3. 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，读取或者写入数据;
(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;

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，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.

四、HDFS文件块大小