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
-
高容错性:具体体现为
- 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 - 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.
- 数据自动保存多个副本,通过增加副本的形式,提高容错性。
-
适合处理大数据
- 数据规模:能够处理数据规模达到GB、TB甚至PB基本的数据
- 文件规模:能够处理百万规模以上的文件数量
-
可以构建在廉价的机器上,通过副本机制,提高可靠性
缺点:
- 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。
- 无法高效的对大量小文件进行存储
- 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。
- 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)
- 不支持并发写入、文件随机修改
- 一个文件只能有一个写,不允许多个线程同时写
- 仅支持append(追加),不支持文件的随机修改
三、HDFS组成架构
- NameNode(nm):就是Master,它是一个管理者
- 管理HDFS的命名空间
- 配置副本策略
- 管理数据块映射信息
- 处理客户端读写请求
- DadaNode(dn):就是Slave,NameNode下达命令,DataNode执行实际的操作
- 存储实际的数据块
- 执行数据库的读/写操作
- Client:就是客户端,主要任务
- 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
- 与NameNode交互,获取文件位置信息
- 与DataNode交互,读取或写入数据
- Client提供了一些命令来管理HDFS,比如NameNode的格式化
- Client可以通过一些命令来访问HDFS,比如对HDFS的增删查改操作
- 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
- 辅助NameNode,分担工作量,比如定期合并Fsimage和Edits,并推送给NameNode;
- 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?
- HDFS的块设置太小,会增加寻址时间,程序一直在找块的位置
- 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