HDFS概述

一、 HDFS产生背景

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。

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，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的优缺点

优点

1. 高容错性：具体体现为

   1. 数据自动保存多个副本，通过增加副本的形式，提高容错性。

      比如有20台机器，HDFS默认保存3份副本，这三分副本保存在不同的机器上。
      注意：如果只有1台机器，设置的保存副本数量多余机器数量，比如3份副本数量此时机器上实际只有一份副本

   2. 某一个副本丢失后，它可以自动恢复

      如 A、B、C、D、E五台机器，设置的副本数量为3，假如原来的副本保存在A、B、C则三台机器上。那么当A、B、C中的一个机器挂掉以后，NameNode就会将另外的两个正常运行的机器的副本拷贝保存到D或E中，始终保持副本数量为3.

2. 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基本的数据
   2. 文件规模：能够处理百万规模以上的文件数量

3. 可以构建在廉价的机器上，通过副本机制，提高可靠性

缺点：

1. 不适合低延时数据访问，比如毫秒级的数据存储是做不到的。
2. 无法高效的对大量小文件进行存储
   1. 存储大量小文件会占用NameNode大量的内存来存储文件目录和块信息，然而NameNode的内存是有限的。
   2. 小文件存储的寻址时间会超过去读时间，违反了HDFS的设计目标。（寻址时间为传输的时间的1%时，为最佳状态）
3. 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append(追加)，不支持文件的随机修改

三、HDFS组成架构

1. NameNode(nm)：就是Master，它是一个管理者
   1. 管理HDFS的命名空间
   2. 配置副本策略
   3. 管理数据块映射信息
   4. 处理客户端读写请求
2. DadaNode(dn)：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. 执行数据库的读/写操作
3. Client：就是客户端，主要任务
   1. 文件切分。文件上传到HDFS的时候，Client将文件切分成一个一个的Block，然后进行上传
   2. 与NameNode交互，获取文件位置信息
   3. 与DataNode交互，读取或写入数据
   4. Client提供了一些命令来管理HDFS，比如NameNode的格式化
   5. Client可以通过一些命令来访问HDFS，比如对HDFS的增删查改操作
4. SecondaryNameNode：并非NameNode的热备，当NameNode挂掉时，他并不能马上替换NameNode的并提供服务
   1. 辅助NameNode，分担工作量，比如定期合并Fsimage和Edits，并推送给NameNode；
   2. 紧急情况下可辅助回复NameNode

四、HDFS文件快大小

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。

设计理念：寻址时间（找到block的时间）为传输的时间的1%时，为最佳状态

为什么块的大小不能设置太小，也不能设置太大？

1. HDFS的块设置太小，会增加寻址时间，程序一直在找块的位置
2. 如果块设置过大，从磁盘传输数据的时间会明显大于这个块开始位置所需的时间，导致程序在处理这块数据是会非常慢。

总：HDFS块的大小设置主要取决于磁盘传输速率