11张图了解HDFS的架构设计！_hdfs架构关系图

HDFS 介绍

HDFS 是一个适合部署在廉价机器上的，具有高度容错性的，高吞吐量的分布式文件系统。

HDFS 的设计理念

支持超大规模数据集

运行在HDFS上的应用具有很大的数据集。HDFS上的一个典型文件大小一般都在G字节至T字节。因此，HDFS被设计成支持大文件存储，能在一个集群里扩展到数百个节点，能够存储海量的数据。

比如说，某个表 100亿条数据，你还用MySQL 去存么？一台机器你的配置得多高才行，再考虑一下查询的效率。如果用了分布式存储之后，也就是说，这些数据放到N多台机器里面去存储，每个机器只存储这个100亿数据的中的一部分，比如一台机器存 500万数据，HDFS 的定位就是针对这种超大的数据集存储的。

硬件错误

HDFS可能由成百上千的服务器所构成，每个服务器上存储着文件系统的部分数据。而存储这些数据的机器出现故障的几率还是蛮高的，比如磁盘损坏，不能读写，网络故障等原因就会导致这台机器不能正常工作了。

因此错误检测和快速、自动恢复是HDFS最核心的架构目标，一旦HDFS 检测到集群中的某台机器出现问题，然后可以对故障进行恢复。

流式数据处理

运行在HDFS 上面的应用和咱们平常写的这些普通应用不同，HDFS 读写文件系统上的数据的时候，是基于一种流的概念来读的，所谓的流式处理，就是批量对文件进行读写，保证高吞吐量的文件读写，不是低延迟的文件读写。

HDFS 是应用在离线批处理场景上面的，尤其是现在的离线数据仓库，用来做数据分析的，我们现在的离线分析，都是今天凌晨去把源系统的数据抽过来放到HDFS 里头，然后处理，都是一批一批的去处理这个数据，不是来一条就计算一条。

简化的数据一致性模型

同时支持对文件的读和写，需要处理大量的并发冲突问题，想想平常大家在写代码的时候对有读，有写的集合这些加的读写锁，不加会出N多问题。 HDFS 这种大规模数据集的分布式存储，它的模型必须得去简化，它的文件只能一次写入，之后是只能去追加，不能随便修改之前的数据。

所以它的理念就是 ：write-once，ready-many-times，一次写，然后多次读，这样就没有数据读写并发冲突，以及数据如何维护一致性的问题了。

这种一次写，多次读的模型，也能大大提升HDFS 的吞吐量。

移动计算，不要移动数据

大家想想，咱们在读取数据的时候，是从本地磁盘读取数据快，还是从网络中的其他机器上读取数据快？是不是数据越靠近这个机器，速度越快，效率越高。

所以说，在分布在多台机器上的数据，进行分布式的计算，需要让你的计算任务更靠近这些数据，而不是在集群里面通过网络到处去传输数据。

master-slave 模式的分布式架构

NameNode 和 DataNode

分布式系统中比较经典的架构是master-slave ，HDFS 就是采用的这种master-slave 架构，一个HDFS 集群是由一个NameNode 和多个DataNode 组成的。

NameNode 是一个进程，JVM 进程，也是一个系统，我们可以认为 NameNode 就是这个master （可以理解成一个大管家），在一个普通的HDFS 集群里面，NameNode 只有一个。它负责管理文件系统命名空间(filesystem namespace)以及客户端对文件的访问。

DataNode 也是一个进程，集群中的每台机器上都有一个DataNode 进程，它主要负责本机上的数据的存储。

文件系统命名空间 Filesystem Namespace

命名空间，怎么理解？就从我们的电脑的文件夹来说，存放的数据都是按照这种目录-> 文件的方式，目录下面可能又是下一层目录。

比如下面的我电脑上的目录结构 ，/文稿/数仓/ 这个目录下面有文件 数仓建设方法xxx.doc 和 目录 /12_资料 ，目录 /12_资料 下面有 04_大数据体系技术结构xxx.doc 这些文档。

所以说，这套文件系统的目录的层级结构和文件的对应关系，就是所谓的 Filesystem Nams