4、HDFS概述

产生背景

随着数据量越来越大，在一个操作系统管辖的范围内存不下了，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概念

HDFS，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的设计适合一次写入，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
   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。
   某一个副本丢失以后，它可以自动恢复，这是由 HDFS 内部机制实现的，我们不必关心。
2. 适合大数据处理
   数据规模：能够处理数据规模达到 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，数量相当之大。
3. 流式数据访问
   一次写入，多次读取，不能修改，只能追加。
   它能保证数据的一致性。
4. 可构建在廉价机器上
   它通过多副本机制，提高可靠性。
   它提供了容错和恢复机制。比如某一个副本丢失，可以通过其它副本来恢复。

缺点

1. 不适合低延时数据访问
   比如毫秒级的来存储数据，这是不行的，它做不到。
   它适合高吞吐率的场景，就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的，比如毫秒级以内读取数据，这样它是很难做到的。
2. 无法高效的对大量小文件进行存储
   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。
   小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。
3. 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。
   仅支持数据 append（追加），不支持文件的随机修改。

HDFS架构

HDFS架构.png

这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。

HDFS Client

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，然后进行存储。
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，比如启动或者关闭HDFS。
5. Client可以通过一些命令来访问HDFS。

NameNode

NameNode，就是master，它是一个主管、管理者。

1. 管理HDFS的名称空间。
2. 管理数据块（Block）映射信息
3. 配置副本策略
4. 处理客户端读写请求。

DataNode

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。

Secondary NameNode

Secondary NameNode，并非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。
2. 定期合并fsimage和fsedits，并推送给NameNode。
3. 在紧急情况下，可辅助恢复NameNode。

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。
HDFS的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，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。因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。
如果寻址时间约为10ms，而传输速率为100MB/s，为了使寻址时间仅占传输时间的1%，我们要将块大小设置约为100MB。默认的块大小128MB。
块的大小：10ms*100*100M/s = 100M