定义
HDFS是一个文件系统,是分布式文件管理系统中的一种,适合一次写入,多次读出的场景。
优点
高容错性:自动保存多个副本,也可以自动恢复。
适合处理大数据:能够处理规模达到GB TB甚至PB级别的数据。
文件规模:能够处理百万规模以上的文件数量。
性价比高:可以构建在廉价机器上,通过多副本机制,提高可靠性。
缺点
- 不适合低延时数据访问,比如毫秒级的存储数据,是做不到的。
- 无法高效的对大量小文件进行存储:因为存储大量小文件的话,会占用NameNode大量的内存来存储文件目录和块信息,但NameNode的内存总是有限的。
这样会让检索的时间超过读取的时间,有违定位。 - 不能支持并发的写入,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。
- 只支持数据追加,不支持文件随机修改。
组成
NameNode
- 管理HDFS的名称空间
- 配置副本策略(每个文件设置几个副本)管理数据块的映射信息
- 处理客户端的读写请求
DataNode
- 存储实际的数据块
- 执行数据块的读写操作
2NN
并非热备(立即代替NN进行工作),只是辅助NameNode,分担工作量。
在紧急情况下,可辅助回复NameNode。
客户端
- 文件切分,文件上传HDFS时,Client将文件切分成一个个的块,通常为128M或256M。
- 与NameNode进行交互,获取文件的位置信息。
- 与DataNode交互,读取或写入数据。
- 提供一些命令管理HDFS,比如NameNode格式化。
- 通过一些命令访问HDFS,对集群进行增删改差。
文件块大小
目前默认在1.x版本里是64M,在Hadoop2.x/3.x版本中是128M。
在hdfs-default.xml里有指出,其中134217728/1024/1024=128M
原因(?)
目前磁盘的传输速率普遍为100MB/S,而通常情况下,寻址时间为传输时间的1%时为最佳状态
故寻址时间为1*0.01=0.01s=10ms。
寻址时间就是在block中进行查找,找到目标block的时间。
注意
HDFS如果把块设置的太小,会增加寻址时间。
如果设置的太大,那么传输时间会明显大于寻址时间,导致程序在处理这块数据时会非常慢。
总结
HDFS的大小设置主要取决于磁盘的传输速率。