目录
Hadoop简介
Hadoop是Apache开源软件基金会开发的运行于大规模普通服务器上用于大数据存储、计算、分析的一种分布式存储系统和分布式运行框架。
其设计思想为使用普通机器（高性能、低成本）、数据冗余（HDFS）、并行化处理（MR）、移动计算（海量数据的情况下移动计算比移动数据更有效），其中思想基础为使用普通机器，只有做到高性能和低成本，使用门槛低，Hadoop项目才会迅速普及，被大家运用。
一、HDFS相关概念
首先，它是一个文件系统，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，集群中的服务器都有各自清晰的角色定位。重要特性如下：
- 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，hadoop3.x版本中是256M。
- 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，形如为 hdfs://namenode:port/dir-a/dir-b/dir-c/file.data
hdfs://hadoop02:9000/soft/hadoop-2.6.5-centos-6.7.tar.gz- 目录结构及文件分块位置信息(元数据)的管理由 namenode 节点承担，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，及所在的 datanode 服务器）。
- 文件的各个 block 的存储管理由 datanode 节点承担，datanode 是 HDFS 集群从节点，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，默认是 3）。
- 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。(PS：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)
二、设计思路
HDFS 被设计成用来使用低廉的服务器来进行海量数据的存储，那是怎么做到的呢？
- 大文件被切割成小文件，使用分而治之的思想让很多服务器对同一个文件进行联合管理
- 2每个小文件做冗余备份，并且分散存到不同的服务器，做到高可靠不丢失
默认的数据块大小为128MB(Hadoop-2.2版本之前为64MB)。所以,HDFS文件总是按照128MB被切分成不同的数据块,每个数据块尽可能地存储于不同的DataNode中.不同于普通文件系统的是,当文件长度小于一个数据块的大小时,该文件是不会占用整个数据块空间。
三、HDFS总体架构
HDFS采用Master/Slave(即:主/从)架构:一个HDFS集群是由一个NameNode和若干个DataNode组成。
- 主节点 Namenode：集群老大，掌管文件系统目录树，处理客户端读且请求
- SecondaryNamenode：严格说并不是 namenode 备份节点，主要给 namenode 分担压力之用
- 从节点 Datanode：存储整个集群所有数据块，处理真正数据读写
1.元数据节点(NameNode)
元数据节点的作用是管理分布文件系统的命名空间,并将所有的文件和目录的元数据保存到Linux本地文件系统的目录之中.这些信息采用文件命名空间镜像及编辑日志方式进行保存。此外,NameNode节点还保存了一个文件,该文件信息包括哪些数据块以及这些数据块分布在哪些DataNode之中.但这些信息并不永久存储本地文件系统,而是在NameNode启动时从各个DataNode收集而成。
2.数据节点(DataNode)
数据节点作用是保存HDFS文件的数据内容.在客户端向HDFS写入文件时,大数据文件将被切分成多个数据块,为了保证HDFS的高吞吐量,NameNode将这些数据的存储任务指派给不同的DataNode。每一个DataNode在授受任务之后直接从客户端接收数据,经加密后写入到Linux本地系统的相应目录中。
3.辅助元数据节点(Secondary NameNode)
辅助元数据节点的作用是周期性地将元数据节点的镜像文件fsimage和日志edits合并,以防日志文件过大.合并之后,fsimage文件也在辅助元数据节点保存一份,以便在元数据节点中的镜像文件失败时可以恢复。特别注意:Secondary NameNode不是NameNode出现问题时的备用节点。
四、HDFS文件读写
读文件:客户端向NameNode发送数据读操作请求,NameNode向客户端发送组成该文件的数据块的位置列表(即每个数据块存储哪些DataNode之中),客户端直接从这些DataNode读取文件数据(在读数据过程中,NameNode不参与文件的传输)
写文件:客户端向NameNode发送数据写操作请求,包括文件名和目录路径等部分元数据信息;NameNode告诉客户端到哪个数据节点进行具体的数据写入操作;客户端直接将文件数据传输给DataNode,由DataNode的后台程序负责把数据保存到Linux的本地文件系统之中.
五、HDFS优缺点
- 可构建在廉价机器上：通过多副本提高可靠性，提供了容错和恢复机制
- 高容错性：数据自动保存多个副本，副本丢失后，自动恢复
- 适合批处理：移动计算而非数据，数据位置暴露给计算框架
- 适合大数据处理：GB、TB、甚至 PB 级数据，百万规模以上的文件数量，10K+节点规模
- 流式文件访问：一次性写入，多次读取，保证数据一致性
不适于以下操作：
- 低延迟数据访问：比如毫秒级，低延迟与高吞吐率
- 小文件存取：占用 NameNode 大量内存 150b* 1000W = 15E,1.5G，寻道时间超过读取时间
- 并发写入、文件随机修改：一个文件只能有一个写者，仅支持 append
HDFS 不适合存储小文件：
- 元信息存储在 NameNode 内存中：一个节点的内存是有限的
- 存取大量小文件消耗大量的寻道时间：类比拷贝大量小文件与拷贝同等大小的一个大文件
- NameNode 存储 block 数目是有限的：一个 block 元信息消耗大约 150 byte 内存，存储 1 亿个 block，大约需要 20GB 内存，如果一个文件大小为 10K，则 1 亿个文件大小仅为 1TB（但要消耗掉 NameNode 20GB内存）。