Hadoop HDFS学习之HDFS概述

一、HDFS产生背景及定义

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），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。

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
某一个副本丢失后，它可以自动恢复。

（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。

2、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)，不支持文件随机修改

三、HDFS组成架构

1、NameNode(nm)：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(dn)：就是Slave，NameNode下达命令，DataNode执行实际操作。

存储实际数据块
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，默认块大小128MB
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增删改查操作

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(镜像文件)和Edits(编辑日志)，并推送给NameNode
在紧急情况下，可辅助恢复NameNode

四、HDFS文件块大小（面试重点）

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.block.size）来规定，默认大小在Hadoop2.x版本中是128MB，老版本中是64MB。
寻址时间10ms，寻址时间为传输时间的1%时，则为最佳状态，所以传输时间为10ms/1%=1000ms=1s，磁盘传输速率为100MB/s，所以块大小最佳为100MB，近似取值128MB，该取值与磁盘传输速率有关。

思考：为什么块的大小不能设置太小，也不能设置太大?
(1)、HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置;
(2)、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。
总结：HDFS块的大小设置主要取决于磁盘传输速率。