HDFS的定义

HDFS(Hadoop Distributed File System)， 它是一个文件系统，用于储存文件，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。

HDFS优缺点

优点

1.高容错性。2.适合处理大数据。

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，会占用NameNode大量的内存来储存文件目录和块信息。这样是不可取的，因为NamdeNode的内存总是有限制的。

HDFS组成架构

NameNode(nn)

就是master，它是一个主管、管理者。
1.管理HDFS的名称空间；2.配置副本策略；3.管理数据块(block)映射信息；4.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。
1.存储实际的数据块；2.执行数据块的读/写操作。

Client

就是客户端
1.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；2.与NameNode交互，获取文件的位置信息；3.与DataNode交互，读取或者写入数据；4.Client提供一些命令来管理HDFS，比如NameNode格式化；5.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的热备份。当NameNode挂掉的时候，它并不能马上接替NameNode并提供服务。
1.辅助NameNode，分担其工作量，比如定期合并fsimage和edits，并推送给NameNode;2在紧急情况下，可以辅助恢复NameNode

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来规定，默认是128M。
原因:
1.如果寻址的时间约为10ms，即查找到目标block的时间为10ms。
2.寻址时间为传输时间的1%是则为最佳状态。因此传输时间 10ms / 0.01 = 1000ms=1s
4.而目前磁盘的传输速率普遍为100MB/S。
思考问题，为什么块的大小不能设置太小，也不能设置太大。
1.HDFS的块大小设置太小，会增加寻址时间，程序一直在找块的开始位置。
2.HDFS的块大小设置太大，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。导致程序在处理块数据时，会非常慢。

HDFS写数据流程

image.png

  1. 客户端通过DistrbutedFileSystem模块向NameNode请求上传文件，NameNode检查目标文件是否存在，父目录是否存在。
  2. NameNode返回是否可以上传。
  3. 客户端请求第一个Block上传到那几个DataNode服务器上。
  4. NameNode返回3个DataNode节点，分别为dn1,dn2,dn3。
  5. 客户端通过FSDataOutputStream模块请求dn1上传数据，dn1收到请求会继续调用dn2，然后调用dn3，将这个通信管道建立完成。
  6. dn1,dn2,dn3 逐级应答客户端。
  7. 客户端开始往dn1上传第一个block(先从磁盘读取数据放到一个本地内存缓存),以packet为单位，dn1收到一个packet就会传给dn2,dn2传给dn3，dn1每传一个packet会放入一个应答队列等待应答。
  8. 当一个block传输完成之后，客户端再次请求NameNode上传第二个Block的服务器(重复3-7步)

    HDFS读数据流程

    image.png
    1.客户端通过Distributed FileSystem NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。
    2.挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。
    3.DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验。
    4.客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。