一、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。

二、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，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。

三、HDFS优缺点

3.1、优点

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。
    副本 副本 副本 副本

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。

  • 可构建在廉价机器上，通过多副本机制，提高可靠性。

3.2、缺点

  • 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。

  • 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。

  • 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

四、HDFS架构

image.png

  • 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。

  • 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。

  • 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;

  • 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。

      五、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.blocksize)来规定，默认大小在Hadoop2.x版本中是128M，老版本中是64M。
      image.png

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。

总结:HDFS块的大小设置主要取决于磁盘传输速率