Hadoop学习之路（二）HDFS基础

1.HDFS前言

HDFS:Hadoop Distributed File System，Hadoop分布式文件系统，主要用来解决海量数据的存储问题。

设计思想

• 分散均匀存储 dfs.blocksize = 128M

• 备份冗余存储 dfs.replication = 3

  在大数据系统中作用

  为各类分布式运算框架（如：MapReduce,spark，hive.....）提供数据存储服务。
  

重点概念

数据切块、副本存放、元数据

2.HDFS的概念和特性

概念

• 首先，它是个文件系统。用于存储文件，通过统一的命名空间——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。

重要特性

1. 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。
2. HDFS文件系统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
3. 目录结构及文件分块信息（元信息）的管理由NameNode结点承担

• namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及其所在的datanode服务器）

1. 文件的各个block的存储管理由datanode结点承担。
   datanode是HDFS集群从结点，每一个block都可以在多个datanode上存储多个副本，副本数量也可以通过参数设置（dfs.replication）
   5.HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改。
   注：适合用来做数据分析，并不适合用来做网盘应用，因为不便修改，延迟大，网络开销大，成本太高

   图解HDFS

   通过上面的描述，hdfs有很多特点：

• 保存多个副本，且提供容错机制，副本丢失或宕机自动恢复。（默认存3份）
• 运行在廉价的机器上
• 适合大数据的处理。HDFS默认会将文件分割成block,在hadoop2.x以上版本默认128M为1个block。然后将block按照键值对的方式存储在HDFS上，并将键值对的映射存储到内存中。如果小文件太多，那内存的负担会很重。
  

如上图所示，HDFS也是按照Master和Slave的结构。分为NameNode(NN)、SecondaryNameNode、DataNode（DN）这几个角色。

NameNode：名称节点。

• 是HDFS的主节点、管理员。
• 是接收客户端（命令行、Java API程序 ）的请求：创建目录、上传数据、下载数据、删除数据等等。
• 管理和维护HDFS的日志和元信息

DataName：数据节点。 负责存储client发来的数据库block；执行数据块的读写操作。

SecondaryNameNode:是NameNode的冷备份；合并fsimage和fsedits然后再发给namenode

• 热备份：b是a的热备份。如果a坏掉，那么b马上运作代替a的工作。
• 冷备份：b是a的冷备份。如果a坏掉，那么b上存储a的一些信息，减少a坏掉之后的损失。

fsimage：元数据镜像文件（文件系统的目录树）
edits：元数据的操作日志（针对文件系统做的修改操作记录）
namenode内存中存储的是=fsimage+edits。
SecondaryNameNode负责定时默认1小时，从namenode上，获取fsimage和edits来进行合并，然后在发送给namenode，减少namenode的工作量。

HDFS的局限性

1.低延时数据访问。在yoghurt交互性的应用上，应用需要在ms或者几个s的时间内得到响应。由于HDFS为高吞吐率做了设计，也因此牺牲了快速响应。对于低延时的应用，可以考虑HBase或者Cassandra。
2.大量的小文件。标准的HDFS数据块的大小是128M（2.x），存储小文件并不会浪费实际的存储空间，但是无疑会增加在NameNode上的元数据。大量的小文件会影响整个集群的性能。
Btrfs为小文件做了优化-inline file，对于小文件有很好的空间优化和访问时间优化。
3.多用户写入、修改文件。HDFS的文件只能有一个写入者，而且写操作只能在文件结尾以追加的方式进行。它并不支持多个写入者，也不支持在文件写入后，对文件的任意位置的修改。

但是在大数据领域，分析的是已经存在的数据。这些数据一旦产生就不会修改。因此，HDFS的这些特性和设计的局限也就容易理解了。HDFS为大数据领域的数据分析，提供了非常重要而且十分基础的文件存储功能。

HDFS 保证可靠性的措施

1.冗余备份：每个文件存储成一系列数据块（Block）。为了容错，文件的所有数据块都会有副本（副本数量即复制因子，dfs.replication）。
2.副本存放：采用机架感知（Rak-aware）的策略来改进数据的可靠性、高可用和网络带宽的利用率。
3.心跳检测：NameNode周期性地从集群种的每一个DataNode接收心跳包和块报告，收到心跳包说明该DataNode工作正常。
4.安全模式：系统启动时，NameNode会进入安全模式。此时不允许出现数据块的写操作。
5.数据完整性检测：HDFS客户端软件实现了对HDFS文件内容的校验（CheckSum）和检查（dfs.bytes-per-checksum）。

单点故障（单点失效）问题

单点故障问题

如果NameNode失效，那么客户端或者MapReduce作用均无法读写查看文件。

解决方法 [Hadoop HA(High Availability) ]

1.启动一个拥有文件系统元数据的新NameNode（这个一般不采用，因为复制元数据非常消耗时间）。
2.配置一对活动-备用（Active-Standby）NameNode，活动NameNode失效时，备用NameNode立即接管，用户不会有明显中断的感觉。

Hadoop学习之路（二）HDFS基础

原文：https://www.cnblogs.com/shine-rainbow/p/11335989.html