HDFS概述

一、产生背景和定义

1、产生背景

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、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。

3、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。

二、优缺点

1、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

（2）适合处理大数据

数据规模：能处理数据规模达到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

（3）可构建在廉价机器上，通过多副本机制，提高可靠性

2、缺点

（1）不适合低延时数据访问，比如毫秒级的存储数据
（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。假设一个文件块是150字节，无论这个文件多大都会占用这个文件块
小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标

（3）不支持并发写入、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

三、HDFS组成

1、NameNode（nn）：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

2、DataNode：就是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

3、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交互，读取或者写入数据
Client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增删查改操作

4、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。

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。

四、HDFS文件块大小

1、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/3.x版本中是128M，1.x版本中是64M
2、如果寻址时间约为10ms，即查找到目标块的时间为10ms
3、寻址时间为传输时间的1%时，则为最佳状态，而目前磁盘的传输速率普遍为100MB/s
4、HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；如果块设置的太大，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。导致程序在处理这块数据时，会非常慢。所以，HDFS块的大小设置主要取决于磁盘传输速率。