大数据4.1HDFS

HDFS产出背景及定义

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。
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。
HDFS的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。

HDFS优缺点

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，这是由 HDFS 内部机制实现的，我们不必关心。

(2) 适合批处理

1. 它是通过移动计算而不是移动数据。

2. 它会把数据位置暴露给计算框架。

(3) 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. 节点规模：能够处理10K节点的规模。

(4) 流式数据访问

1. 一次写入，多次读取，不能修改，只能追加。

2. 它能保证数据的一致性。

(5) 可构建在廉价机器上

1. 它通过多副本机制，提高可靠性。

2. 它提供了容错和恢复机制。比如某一个副本丢失，可以通过其它副本来恢复。

缺点
2、 HDFS 缺点：

(1) 不适合低延时数据访问；

1. 比如毫秒级的来存储数据，这是不行的，它做不到。

2. 它适合高吞吐率的场景，就是在某一时间内写入大量的数据。但是它在低延时的情况 下是不行的，比如毫秒级以内读取数据，这样它是很难做到的。

(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。