大数据框架之Hadoop：HDFS（一）HDFS概述

1.1HDFS产出背景及定义

• 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。

• 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。

1.2HDFS优缺点

1.2.1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）可构建在廉价机器上，通过多副本机制，提高可靠性

1.2.2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) ，不支持文件的随机修改。

1.3HDFS组成架构

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提供一些命今来管理HDFS，比如NameNode格式化;
• Client可以通过一些命今来访问HDFS，比如对HDFS增删查改操作

4）SecondaryNameNode: 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。

1.4HDFS文件块大小（面试重点）

1.4.1HDFS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和Hadoop3.x版本中是128M，老版本Hadoop1.x中是64M。

1.4.2HDFS文件块大小设置原理

HDFS文件块大小设置主要取决于磁盘传输速率，目前通过Namenode对HDFS元数据进行寻址的时间约为10ms，即查找到目标block的时间为10ms。

寻址时间为传输时间的1%时，则为最佳状态

因此，传输时间为10ms/0.01=1000ms=1s

目前磁盘的传输速率普遍为100MB/s

因此，block大小为1s*100MB/s=100MB

因为电脑底层数据采用二进制存储，所以目前的block块官方大小设置为128MB。

总结：HDFS文件块大小设置主要取决于磁盘传输速率，生产中采用高速磁盘作为存储介质的可以考虑在HDFS的配置文件中设置dfs.blocksize参数调整block块大小。

1.4.3块大小要设置合理

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。