HDFS概述（一）

1. HDFS产出的背景及定义

1.1 HDFS产生的背景

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。

1.2 HDFS的定义

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。

2. HDFS的优缺点

2.1 优点：

1). 高容错性

（1）数据自动保存多个副本，它通过增加数据副本的样式，提高容错性

（2）某一个数据副本丢失以后，它可以自动恢复

2) 适合处理大数据

（1）数据规模：能够处理规模达到GB、TB、甚至PB的级的大数据 ；

3) 可构建在廉价机器上，通过多副本机制，提高可靠性。

2.2 缺点

1）不适合低时延的数据访问；

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的目录和块信息；

（2）小文件的存储的寻址时间超过了读取时间，违反了HDFS的设计目标。

3）不支持并发的写入、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）仅支持数据的append(追加)，不支持文件的随机修改

3. HDFS的组成架构

3.1 整体架构图如下:

3.2 HDFS架构详解

1）NameNode(简称：ND)：就是master,它是一个主管人员，负责管理HDFS的相关信息：

（1）管理HDFS的名称空间；

（2）管理副本的策略；

（3）管理数据块（Block）的映射信息；

（4）处理客户端的读写请求。

2）DataNode(简称：DN)：就是slave，NameNode下达指令，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：客户端，与NameNode交互的程序，职责或功能如下：

（1）文件切分：在上传文件至HDFS的时候，Client会将文件分切成一个个的Block上传；

（2）与NameNode交互，可以获取文件的位置信息（存在哪个节点上）

（3）Client可以通过一些命令来访问HDFS,比如增删改查操作；

（4）Client通过一些命令来管理HDFS，比如将NameNode格式化。

4）SecondaryNameNode：并非是NameNode的热备。当NameNode挂掉的时候，它并不会立即替换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(后边会讲到，这里不用理解)，并将合并后的FsImage.checkPoint推送给NameNode;

（2）在紧急情况下可以辅助恢复NameNode。

4 HDFS的文件块大小

1）HDFS中的文件在物理上是按照块(Block)存储的，块id大小可以通过配置参数（dfs.blocksize）来规定，默认大小在Hadoop2.x的版本中是128M，老版本的是64M。

2）块的大小设定：文件的寻址时间应为块文件的传输时间的1%,这是比较合理的设定。

3）思考：为什么块的大小不能设置太小，也不能设置太大？

（1）HDFS的块如果设置的太小，会增加寻址时间，程序长时间在寻找块的存储位置；

（2）如果设置太大，从磁盘传输的时间会明显大于定位这个块的起始位置所需的时间。导致在处理这个块的数据时，浪费了大量的时间在IO上。

因此，块的大小可以根据数据量和磁盘的IO速度决定如何设置。