HDFS之概述

HDFS 产出背景以及定义

1. 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。

2. 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的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。

3. HDFS优缺点

   1. 高容错性

      数据自动保存多个副本，通过增加副本的形式，提高容错性。

      某一个副本丢失后，它可以自动恢复。(前提是集群节点的数量保证)

   2. 适合处理大数据

      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. 可构建在廉价的机器上，通过多副本机制，提高可靠性

   4. 不适合低延时数据访问，比如毫秒级的存储数据（Mysql对比）

   5. 无法高效对大量小文件进行数据存储

      原因：

      • 存储小文件的话，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的内存是有限的。

      • 小文件存储的寻址时间会超过读取时间，违反了HDFS的设计目标

   6. 不支持并发写入、文件随机修改

      • 一个文件只能有一个写，不支持有多个线程同时写

      • 仅支持数据Append(追加)，不支持文件的随机修改

4. HDFS组成架构

HDFS架构图

NameNode：就是Master，它是一个主管、管理者

• 管理HDFS的名称空间
• 配置副本策略
• 管理数据块Block映射信息
• 处理客户端读写请求

DataNode：即使Slave,NameNode下达命令，DataNode执行实际的操作

• 存储实际的数据块
• 执行数据块的读写操作

Client: 就是客户端。

• 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；
• 与NameNode交互，获取文件的位置信息
• 与DataNode进行交互，读取或者写入数据
• Cient提供一些命令来管理HDFS，比如NameNode格式化
• Client可以通过一些命令来访问HDFS,比如对HDFS增删改查操作

Secondary NameNode: 并非NameNode的热备，当NameNode挂掉的时候，他并不能马上替换NameNode并提供服务。

• 辅助NameNode,分担其工作量，比如定期合并Fsimage和Edits,并推送给NameNode
• 在紧急情况下，可辅助恢复NameNode

4.HDFS文件块的大小

• 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规定，默认在hadoop2.x到3.x版本中是128M,在1.x中是64M

• 寻址时间最好为传输时间的百分之一为最佳状态

• 块的大小与存储硬件的传输速率成正相关

5.面试题

思考：为什么块的大小不能设置太小，也不能设置太大？

• HDFS的块设置太小，会增加寻址时间，程序块一直找块开始的位置
• 如果块设置太大，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的时，会非常慢。
• 总结：HDFS块的大小设置主要取决于磁盘传输速率。