一文带你了解大数据技术之HDFS

Posted 2021-09-22 ZSYL

大数据技术之 Hadoop-HDFS概述

• 1. HDFS 产出背景及定义
• 2. HDFS 优缺点
• 3. HDFS 组成架构
• 4. HDFS 文件块大小

1. HDFS 产出背景及定义

1）HDFS 产生背景

随着数据量越来越大，在一个操作系统存不下所有的数据，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。

2）HDFS 定义

HDFS（Hadoop Distributed File System），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 的使用场景：适合一次写入，多次读出的场景。一个文件经过创建、写入和关闭之后就不需要改变。

2. HDFS 优缺点

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）适合处理大数据

• 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）可构建在廉价机器上，通过多副本机制，提高可靠性。

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。

• 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；

• 小文件存储的寻址时间会超过读取时间，它违反了HDFS的设计目标。

3）不支持并发写入、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。

3. HDFS 组成架构

1）NameNode（nn）：就是Master，它是一个主管、管理者。

• （1）管理HDFS的名称空间；
• （2）配置副本策略；
• （3）管理数据块（Block）映射信息；
• （4）处理客户端读写请求。

2）DataNode：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。

3）Client：就是客户端。

• （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，然后进行上传；
• （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NameNode格式化；
• （5）Client可以通过一些命令来访问HDFS，比如对HDFS增删查改操作；

4）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。

• （1）辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode ；
• （2）在紧急情况下，可辅助恢复NameNode。
  

4. HDFS 文件块大小

面试重点

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/3.x版本中是128M，1.x版本中是64M。

思考：为什么块的大小不能设置太小，也不能设置太大？

（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置；

（2）如果块设置的太大，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。导致程序在处理这块数据时，会非常慢。

总结：HDFS块的大小设置主要取决于磁盘传输速率。

加油!

感谢!

努力!