第 6 章 HDFS概述

6.1 HDFS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。

6.2 HDFS概念

HDFS(Hadoop Distributed File System)，

首先它是一个文件系统(File System)，用于存储文件，通过目录树(命名空间)来定位文件；

其次，它是分布式(Distributed)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。

6.3 HDFS特点

HDFS 与其他分布式文件系统有许多相似点，但也有几个不同点。

1. 一个明显的区别是 HDFS 的 "一次写入、多次读取（write-once-read-many)"模型，

   该模型降低了并发性控制要求，简化了数据聚合性，支持高吞吐量访问。

2. 将处理逻辑(程序)放置到数据附近通常比将数据移向应用程序空间更好。

3. HDFS 将数据写入严格限制为一次一个写入程序。

   字节总是被附加到一个流的末尾，字节流总是以写入顺序存储。

6.4 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。

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，它能保证数据的一致性。

4. 可构建在廉价机器上，通过多副本机制，提高可靠性。

缺点

1. 不适合低延时数据访问，比如毫秒级的存储数据，是做不到的。

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

3. 不能并发写入、文件不能随机修改。

   • 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。

6.5 HDFS架构

HDFS 由一些互联的节点集群组成，文件和目录驻留在那些节点上。

一个 HDFS 集群包含一个节点，称为 NameNode，该节点管理文件系统名称空间并规范客户端对文件的访问。 一个集群中只通常有NameNode, 这种设计有利于形成一个简化模型来管理每个名称空间并仲裁(平衡)数据分布。

另外， DataNode将数据作为块存储在文件中。

还有一个SecondaryNameNode, 后面再细说.

NameNode和DataNode

在 HDFS 中，一个给定的 NameNode 管理一些文件系统名称空间操作，比如打开、关闭以及重命名文件和目录。

NameNode 还将数据块映射到 DataNode，处理来自 HDFS 客户端的读写请求。

DataNode 还根据 NameNode 的指令创建、删除和复制数据块。

NameNode和DataNode之间是一种master/slave(主从)关系. NameNode是主, DataNode是从.

关于NameNode和DataNode更加具体详细的知识后面再讲.

6.6 HDFS文件块大小

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。

设计原理

HDFS的块比磁盘的块大的多，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。