Hadoop之HDFS01【介绍】

  HDFS(Hadoop Distributed File System)分布式文件系统。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。

存储模型

  假如我们有一个10T的文件要存储，而我们的硬盘空间只有1个T，那么这时候我们可以将这个10T的文件切成10个1T的文件来分别存储在10个硬盘中,HDFS的存储的原理其实也是这样的，将一个大文件进行线性切割成快(Block)然后存放在不同的服务器上，但很快你又会提出一个问题，如果一个字比如“存”在UTF-8当中占3个字节，而恰巧一个服务器存了1个字节而另外的2个字节存到了别的服务器上，这会出现我们使用的时候出现乱码，这个问题呢HDFS也帮我们解决了。后面会提到副本，相当于把文件克隆然后会进行一个修复操作。然后不同的文件分布到了不同的服务器上，所以是只允许写一次可以多次读取，那么HDFS存储模型的特点也就明显了。

序号	特点
1	文件线性切割成块（Block）:偏移量 offset （byte）
2	Block分散存储在集群节点中
3	单一文件Block大小一致，文件与 文件可以不一致
4	Block可以设置副本数，副本分散在不同节点中 副本数不要超过节点数量（超过多余的副本会重复将浪费空间）
5	文件上传可以设置Block大小和副本数
6	已上传的文件Block副本数可以调整，大小不变
7	只支持一次写入多次读取，同一时刻只有一个写入者（避免修改后要变动后面所有节点的偏移量）
8	可以append追加数据

上传文件指定block大小和副本数量

hadoop fs -Ddfs.replication=2 -put a.txt /

hadoop fs -Ddfs.blocksize=67108864 -put fun1.sh  /

已上传的文件Block副本数可以调整，大小不变

[root@hadoop-node01 ~]# hadoop fs -setrep -w 3 /fun1.sh
Replication 3 set: /fun1.sh
Waiting for /fun1.sh .... done

append追加数据

hadoop fs -appendToFile b.txt /a.txt

架构模型

1. 文件元数据MetaData，文件数据

   元数据
   数据本身

2. （主）NameNode节点保存文件元数据：单节点 posix

3. （从）DataNode节点保存文件Block数据：多节点

4. DataNode与NameNode保持心跳，提交Block列表

5. HdfsClient与NameNode交互元数据信息

6. HdfsClient与DataNode交互文件Block数据

NameNode

  存储元数据(MetaData)，不存储具体的block

序号	特点
1	基于内存存储，不和硬盘发生交互
2	持久化

NameNode主要功能：

序号	功能
1	接受客户端的读写服务
2	收集DataNode汇报的Block列表信息
3	NameNode保存metadata信息包括:文件owership和permissions,文件大小， 时间（Block列表：Block偏移量），位置信息

NameNode持久化

1. NameNode的metadate信息在启动后会加载到内存
2. metadata存储到磁盘文件名为”fsimage”
3. Block的位置信息不会保存到fsimage
4. edits记录对metadata的操作日志。。。

DataNode

  本地磁盘目录存储数据（Block），文件形式,同时存储Block的元数据信息文件,启动DN时会向NN汇报block信息,通过向NN发送心跳保持与其联系（3秒一次），如果NN 10分钟没有收到DN的心跳，则认为其已经lost，并copy其上的block到其它DN

HDFS优缺点

优先

1. 高容错性
   数据自动保存多个副本
   副本丢失后，自动恢复
2. 适合批处理
   移动计算而非数据
   数据位置暴露给计算框架（Block偏移量）
3. 适合大数据处理
   GB 、TB 、甚至PB 级数据
   百万规模以上的文件数量
   10K+ 节点
4. 可构建在廉价机器上
   通过多副本提高可靠性
   提供了容错和恢复 机制

缺点

1. 低延迟数据访问
   比如毫秒级
   低延迟与高吞吐率
2. 小文件存取
   占用NameNode 大量内存
   寻道时间超过读取时间
3. 并发写入、文件随机修改
   一个文件只能有一个写者
   仅支持append