HDFS基本概念和特性的详情了解及优缺点_hdfs最小化查找时间,控制定位文件与传输文件所用的时间比例。假设定位到块所

HDFS

1. 前言

  HDFS是Hadoop Distributed File System的简称，是Hadoop抽象文件系统的一种实现。是一个用Java实现、分布式的、可扩展的文件系统。Hadoop抽象文件系统可以与本地系统、Amazon S3等集成，甚至可以通过Web协议（webhsfs）来操作。

• HDFS的文件分布在集群机器上，同时提供副本进行容错及可靠性保证。例如客户端写入读取文件的直接操作都是分布在集群各个机器上的，没有单点性能压力。
• Hadoop Distributed File System   
  1.易于扩展的分布式文件系统

2. 运行在大量普通廉价机器上，提供容错机制
3. 为大量用户提供性能不错的文件存取服务

• HDFS的主要功能是做存储用的，把每一份数据创建多个副本、做复制，默认的副本数是3份。

• HDFS设计目标
  1.自动快速检测应对硬件错误
  2.流式访问数据
  3.移动计算比移动数据本身更划算 io
  4.简单一致性模型
  5.异构平台可移植
• 设计思想
  分而治之：将大文件、大批量文件，分布式存放在大量服务器上，以便于采取分而治之的方式对海量数据进行运算分析；对同一个文件进行联合管理。
  每个小文件做冗（rǒng）余备份，并且分散到不同的服务器中，做到高可靠不丢失。
• 在大数据中的作用：
  为各类分布式运算框架（如：mapreduce，spark，tez，……）提供数据存储服务
• 重点概念
  文件切块，副本存放，元数据

  在HDFS的架构中，主要有三个角色：NameNode(元数据节点，NN)、DataNode(从数据节点，DN)、SecondaryNameNode(从数据节点，snn)。

数据：数据内容
元数据：文件名称 大小 所属人 地址 128k

架构中三个角色的作用

1. NameNode:是Master节点，集群老大
   （1）管理文件系统中文件的元数据信息；
   （2）维护文件到块、块到节点的对应关系；
   （3）维护用户对文件的操作信息（增删改查）。

2. DataNode:Slave节点
   （1）负责存储客户端（client）发来的数据块block;
   （2）执行数据块的读写操作。

3. SecondaryNameNode：严格来说并不是NameNode备份节点，主要给NameNode分担压力
   （1）周期性的将元数据节点的fsimage(文件系统目录树)和fsedits(文件系统元数据操作日志)合并，以防止日志文件过大。
   （2）合并后的fsimage在从元数据节点保存了一份，以防止元数据节点失败时恢复。

• 设计假设和目标

• 硬件错误：数量众多的廉价机器使得硬件错误成为常态。
• 数据流访问：应用以流的方式访问数据；设计用于 数据的批量处理，而不是低延时的实时交互处理。放弃全面支持POSIX。
• 大数据集：典型的HDFS上的一个文件大小是G或T数量级的，支持一个云中文件数量达到千万数量级。
• 简单的相关模型：假定文件一次写入多次读取。未来可能支持Appending-write的模型。
• 移动计算比移动数据便宜：一个应用请求的计算，离它操作的数据越近就越高效。
• 多种软硬件平台中的可移植性

2. 概念和特性
   HDFS 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，集群中的服务器有各自的角色；
   HDFS核心概念

   1.Blocks

   物理磁盘中有块的概念，磁盘的物理Block是磁盘操作最小的单元，读写操作均以Block为最小单元，一般为512 Byte。文件系统在物理Block之上抽象了另一层概念，文件系统Block物理磁盘Block的整数倍。通常为几KB。Hadoop提供的df、fsck这类运维工具都是在文件系统的Block级别上进行操作。
   
   HDFS的Block块比一般单机文件系统大得多，默认为128M。HDFS的文件被拆分成block-sized的chunk，chunk作为独立单元存储。比Block小的文件不会占用整个Block，只会占据实际大小。例如， 如果一个文件大小为1M，则在HDFS中只会占用1M的空间，而不是128M。

   2.HDFS的Block为什么这么大？

   是为了最小化查找（seek）时间，控制定位文件与传输文件所用的时间比例。假设定位到Block所需的时间为10ms，磁盘传输速度为100M/s。如果要将定位到Block所用时间占传输时间的比例控制1%，则Block大小需要约100M。
   但是如果Block设置过大，在MapReduce任务中，Map或者Reduce任务的个数 如果小于集群机器数量，会使得作业运行效率很低。

   3.Block抽象的好处

   block的拆分使得单个文件大小可以大于整个磁盘的容量，构成文件的Block可以分布在整个集群， 理论上，单个文件可以占据集群中所有机器的磁盘。
   Block的抽象也简化了存储系统，对于Block，无需关注其权限，所有者等内容（这些内容都在文件级别上进行控制）。
   Block作为容错和高可用机制中的副本单元，即以Block为单位进行复制。

• 重要特性如下：
  （1）HDFS中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128M,l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://hadoop01:9000/software/hadoop-2.6.5-centOS-6.7.tar.gz
  （3）**目录结构及文件分块信息（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）
  （4）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份
  （5）HDFS是设计成适应一次写入，多次读出的场景，且不支持修改

3. HDFS的优点
   （1）高可靠性：hadoop按位存储和处理数据的能力值得人们信赖
   （2）高扩展性：hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。
   （3）高效性：hadoop 能够在节点之间动态地移动数据，并保证各个节点的动态平衡1，因此处理速度非常快。
   （4）高容错性：hadoop 能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。

   （1）可构建在廉价机器上；
   （2）高容错性；
   （3）适合批处理；
   （4）适合大数据处理；
   （5）流式文件访问。

4. HDFS的缺点
   （1）不适合低延迟数据访问

   对延时要求在毫秒级别的应用，不适合采用HDFS。HDFS是为高吞吐数据传输设计的,因此可能牺牲延时HBase更适合低延时的数据访问。

   （2）无法高效存储大量小文件

   文件的元数据（如目录结构，文件block的节点列表，block-node mapping）保存在NameNode的内存中， 整个文件系统的文件数量会受限于NameNode的内存大小。
   经验而言，一个文件/目录/文件块一般占有150字节的元数据内存空间。如果有100万个文件，每个文件占用1个文件块，则需要大约300M的内存。因此十亿级别的文件数量在现有商用机器上难以支持。

   （3）不支持多用户写入及任意修改文件

   HDFS采用追加（append-only）的方式写入数据。不支持文件任意offset的修改。不支持多个写入器（writer）。

5. 为什么HDFS不适合存储小文件：

   （1）所有的元数据都是存储在NameNode内存中的，而一个NameNode节点的内存是有限的；
   （2）小文件的存取占用了大量的NameNode内存，导致寻道时间超过了读取时间；
   （3）NameNode存储block数目是有限的。
   一个block元信息消耗大约150byte内存，加入存储一亿个block，则大约需要20GB内存。如果一个文件大小为10KB，则一亿个文件大小仅为1TB，但NameNode就要消耗20GB内存。