Hadoop生态系统框架详解(二):HDFS

HDFS简述

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。

概念：HDFS，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的设计适合一次写入，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。

HDFS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(可以保证数据的一致性)
4.可构建在廉价机器上，通过多副本机制，提高可靠性。

HDFS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:
①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。
②小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。
3.并发写入、文件随机修改:
①一个文件只能有一个写，不允许多个线程同时写。
②仅支持数据 append（追加），不支持文件的随机修改。

HDFS组成架构
1.Client(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，然后进行存储。
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，比如启动或者关闭HDFS。
⑤:Client可以通过一些命令来访问HDFS。

2.NameNode(HDFS元数据节点)
就是Master，它是一个主管、管理者。
①:管理HDFS的名称空间。
②:管理数据块（Block）映射信息
③:配置副本策略
④:处理客户端读写请求。

3.DataNode(数据节点)
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。

4.Secondary NameNode(从元数据节点)
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。
①:辅助NameNode，分担其工作量。
②:定期合并Fsimage和Edits，并推送给NameNode。
③:在紧急情况下，可辅助恢复NameNode。

HDFS文件块(HDFS最基础的存储单元)
1.HDFS文件是分块存储
2.块的大小可以设置dfs.blocksize来规定
3.默认大小:128M(1.x老版本为64M)

HDFS副本机制
作用:避免数据丢失
默认数:3
存放机制:一个在本机机架节点
一个在同一机架的不同节点
一个在不同机架的节点

HDFS读写流程
HDFS读写流程详解

HDFS Shell操作
hdfs shell命令大全

HDFS API以及I/O流操作
HDFS API及I/O流操作详解

NameNode和SecondaryNameNode的关系
NameNode和SecondaryNamenode的关系解读

DataNode工作机制
DataNode工作机制简介