hadoop(HDFS概述)

HDFS产生背景及定义

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。

---

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。

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。
   

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. 可构建在廉价机器上，通过多副本机制，提高可靠性。

---

缺点

1. 不适合低延时数据访问
   比如毫秒级的存储数据，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。

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. 仅支持数据append(追加)，不支持文件的随机修改

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将文件切分成一个一个的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
   并非是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NameNod
2. 在紧急情况下，可辅助恢复NameNode

HDFS文件块大小(重点)

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。

---

那为什么现在块的大小变成128M了？

1. 如果寻址时间约为10ms，即查找到目标block的时间为10ms。
2. 寻址时间为传输时间的1%时，则为最佳状态。因此，传输时间=10ms/0.01=1000ms=1s
3. 而目前磁盘的传输速率普遍为100MB/s

---

思考： 为什么HDFS的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，程序一直在找块的开始位置。
2. 如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。

总结： HDFS块的大小设置主要取决于磁盘传输速率