大数据Hadoop入门03——HDFS分布式文件系统基础

一、HDFS简介：

• HDFS (Hadoop Distributed File System )，意为: Hadoop分布式文件系统。 
• 是Apache Hadoop核心组件之一，作为大数据生态圈最底层的分布式存储服务而存在。也可以说大数据首先要解决的问题就是海量数据的存储问题。 
• HDFS主要是解决大数据如何存储问题的。分布式意味着是HDFS是横跨在多台计算机上的存储系统。
• HDFS是一种能够在普通硬件上运行的分布式文件系统，匕定同度台阳H，了八m-n常适于存储大型数据(比如TB和PB)。
• HDFS使用多台计算机存储文件,并且提供统一的访问接口，像是访问一个普通文件系统一样使用分布式文件系统。 

二、HDFS起源发展、设计目标

• Doug Cutting领导Nutch项目研发，Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能。
• 随着爬虫抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。2003年的时候, Google发表的论文为该问题提供了可行的解决方案。
• 《分布式文件系统(GFS)，可用于处理海量网页的存储》 “分布式文件系统(GFS)，可用于处理海量网页的存储”
• Nutch的开发人员完成了相应的开源实现HDFS，并从Nutch中剥离和MapReduce成为独立项目HADOOP。
• 硬件故障(Hardware Failure)是常态，HDFS可能有成百上千的服务器组成，每一个组件都有可能出现故障。因此故障检测和自动快速恢复是HDFS的核心架构目标。 
• HDFS上的应用主要是以流式读取数据(Streaming Data Access)。HDFS被设计成用于批处理，而不是用户交互式的。相较于数据访问的反应时间，更注重数据访问的高吞吐量。 流式数据访问(上的应用主要是以流式读取数据)。HDFS被设计成用于批处理，而不是用户交互式的相较于数据访问的反应时间，更注重数据访问的高吞吐量。
• 典型的HDFS文件大小是GB到TB的级别。所以，HDFS被调整成支持大文件(Large Data Sets)。它应该提供很高的聚合数据带宽，一个集群中支持数百个节点，一个集群中还应该支持千万级别的文件。 典型的HDFS文件大小是GB到TB的级别.所以，HDFS被调整成支持大文件(大型数据集)。它应该提供很高的聚合数据带宽，一个集群中支持数百个节点，一个集群中还应该支持千万级别的文件.硬件故障(Hardware Failure)是常态，HDFS可能有成百上千的服务器组成，每一个组件都有可能出现故障。因此故障检测和自动快速恢复是HDFS的核心架构目标。 硬件故障(硬件故障)是常态，hdfs可能有成百上千的服务器组成，每一个组件都有可能出现故障。因此故障检测和自动快速恢复是hdfs的核心架构目标。
• HDFS上的应用主要是以流式读取数据(Streaming Data Access)。HDFS被设计成用于批处理，而不是用户交互式的。相较于数据访问的反应时间，更注重数据访问的高吞吐量。 流式数据访问(上的应用主要是以流式读取数据)。HDFS被设计成用于批处理，而不是用户交互式的相较于数据访问的反应时间，更注重数据访问的高吞吐量。
• 典型的HDFS文件大小是GB到TB的级别。所以，HDFS被调整成支持大文件(Large Data Sets)。它应该提供很高的聚合数据带宽，一个集群中支持数百个节点，一个集群中还应该支持千万级别的文件。 典型的HDFS文件大小是GB到TB的级别.所以，HDFS被调整成支持大文件(大型数据集)。它应该提供很高的聚合数据带宽，一个集群中支持数百个节点，一个集群中还应该支持千万级别的文件。
• 大部分HDFS应用对文件要求的是write-one-read-many访问模型。一个文件一旦创建、写入、关闭之后就不需要修改了。这一假设简化了数据一致性问题，使高吞吐量的数据访问成为可能。
• 移动计算的代价比之移动数据的代价低。一个应用请求的计算，离它操作的数据越近就越高效。将计算移动到数据附近，比之将数据移动到应用所在显然更好。 
• HDFS被设计为可从一个平台轻松移植到另一个平台。这有助于将HDFS广泛用作大量应用程序的首选平台。

三、HDFS应用场景

四、HDFS重要特性：

1. 整体概述
2. 主从架构
3. 分块存储
4. 副本机制
5. 元数据记录
6. 抽象统一的目录树结构(namespace)

(1) 主从架构

• HDFS集群是标准的master/slave主从架构集群。
• 一般一个HDFS集群是有一个Namenode和一定数目的Datanode组成。 
• Namenode是HDFS主节点，Datanode是HDFS从节点，两种角色各司其职，共同协调完成分布式的文件存储服务。 
• 官方架构图中是一主五从模式，其中五个从角色位于两个机架（Rack)的不同服务器上。 

(2) 分块存储 

• HDFS中的文件在物理上是分块存储(block)的，默认大小是128M (134217728) ，不足128M则本身就是一块 。
• 块的大小可以通过配置参数来规定，参数位于hdfs-default.xml中: dfs.blocksize。

(3) 副本机制 

• 文件的所有block都会有副本。
• 副本系数可以在文件创建的时候指定，也可以在之后通过命令改变。
• 副本数由参数dfs.replication控制，默认值是3，也就是会额外再复制2份，连同本身总共3份副本。

(4) 元数据管理

在HDFS中，Namenode管理的元数据具有两种类型:·

• 文件自身属性信息:文件名称、权限，修改时间，文件大小，复制因子，数据块大小。
• 文件块位置映射信息:记录文件块和DataNode之间的映射信息，即哪个块位于哪个节点上。

(5)  namespace

• HDFS支持传统的层次型文件组织结构。用户可以创建目录，然后将文件保存在这些目录里。文件系统名字空间的层次结构和大多数现有的文件系统类似:用户可以创建、删除、移动或重命名文件。 
• Namenode负责维护文件系统的namespace名称空间，任何对文件系统名称空间或属性的修改都将被Namenode记录下来。 
• HDFS会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如: hdfs://namenode:port/dir-a/dir-b/dir-c/file.data。 

(6) 数据块存储 

        文件的各个block的具体存储管理由DataNode节点承担。每一个block都可以在多个DataNode上存储。