hadoop文件操作(学习笔记)

Hadoop Distributed File System(简称HDFS)是Hadoop分布式文件系统。

HDFS有着高容错性（fault-tolerant）的特点，并且设计用来部署在低廉的（low-cost）硬件上。而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求（requirements）这样可以实现流的形式访问（streaming access）文件系统中的数据。

Ø HDFS体系结构（***理解****）

l NameNode:名字节点

u NameNode是整个文件系统的管理节点。它维护着整个文件系统的文件目录树，文件/目录的元信息和每个文件对应的数据块列表。接收用户的操作请求。

u 文件包括：hdfs-site.xml的dfs.name.dir属性

² fsimage:元数据镜像文件。存储某一时段NameNode内存元数据信息。

² edits:操作日志文件。

² fstime:保存最近一次checkpoint的时间

u 以上这些文件是保存在linux的文件系统中。

l DataNode：数据节点

DateNode提供真实文件数据的存储服务。

说明：DataNode是文件系统的工作节点，他们根据客户端或者是namenode的调度存储和检索数据，并且定期向namenode发送他们所存储的块(block)的列表。

n 文件块（block）：最基本的存储单位。对于文件内容而言，一个文件的长度大小是size，那么从文件的０偏移开始，按照固定的大小，顺序对文件进行划分并编号，划分好的每一个块称一个Block。HDFS默认Block大小是128MB，以一个256MB文件，共有256/128=2个Block.

可以在配置里指定dfs.block.size属性的大小.

n 不同于普通文件系统的是，HDFS中，如果一个文件小于一个数据块的大小，并不占用整个数据块存储空间

n Replication。多复本。默认是三个。

hdfs-site.xml的dfs.replication属性。

l Secondary NameNode：HA的一个解决方案。

n Secondary NameNode有两个作用：

一是镜像备份

二是日志与镜像的定期合并