HDFS(Hadoop Distributed File System)是Hadoop项目的核心子项目,是分布式计算中数据存储管理的基础,是基于流数据模式访问和处理超大文件的需求而开发的,可以运行于廉价的商用服务器上。它所具有的高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征为海量数据提供了不怕故障的存储,为超大数据集(Large Data Set)的应用处理带来了很多便利。
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。
优缺点
优点
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,这是由 HDFS 内部机制实现的,我们不必关心。
适合批处理
- 它是通过移动计算而不是移动数据。
- 它会把数据位置暴露给计算框架。
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。
- 节点规模:能够处理10K节点的规模。
流式数据访问
- 一次写入,多次读取。文件一旦写入不能修改,只能追加。
- 流式数据访问,它能保证数据的一致性。
可构建在廉价机器上
- 通过多副本机制,提高可靠性。
- 它提供了容错和恢复机制。比如某一个副本丢失,可以通过其它副本来恢复。
缺点
低延时数据访问
- 比如毫秒级的来存储数据,这是不行的,它做不到。
- 它适合高吞吐率的场景,就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的,比如毫秒级以内读取数据,这样它是很难做到的。
小文件存储
- 存储大量小文件(这里的小文件是指小于HDFS系统的Block大小的文件(默认128M))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。
- 小文件存储的寻道时间会超过读取时间,它违反了HDFS的设计目标。
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。
架构
这种架构主要由四个部分组成,分别为 HDFS Client、NameNode、DataNode 和 SecondaryNameNode。下面我们分别介绍这四个组成部分。
Client 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 进行存储;
- 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 提供一些命令来管理 HDFS,比如启动或者关闭 HDFS;
- Client 可以通过一些命令来访问 HDFS;
NameNode 就是 Master
它是一个主管、管理者。
- 管理 HDFS 的名称空间;
- 管理数据块(Block)映射信息;
- 配置副本策略;
- 处理客户端读写请求。
DataNode:就是 Slave
NameNode 下达命令,DataNode 执行实际的操作。
- 存储实际的数据块。
- 执行数据块的读/写操作。
Secondary NameNode: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。
- 定期合并 fsimage和fsedits,并推送给NameNode。
- 在紧急情况下,可辅助恢复 NameNode。
HDFS 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 版本中是 128M,老版本中是 64M。
HDFS 的块比磁盘的块大,其目的是为了最小化寻址开销。如果块设置得足够大,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。因而,传输一个由多个块组 成的文件的时间取决于磁盘传输速率。
如果寻址时间约为 10ms,而传输速率为 100MB/s,为了使寻址时间仅占传输时间的 1%, 我们要将块大小设置约为 100MB。默认的块大小 128MB。
块的大小:10ms * 100 * 100M/s = 100M