Hadoop之HDFS01【介绍】
&esmp; HDFS(Hadoop Distributed File System)分布式文件系统。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。
存储模型
假如我们有一个10T的文件要存储，而我们的硬盘空间只有1个T，那么这时候我们可以将这个10T的文件切成10个1T的文件来分别存储在10个硬盘中,HDFS的存储的原理其实也是这样的，将一个大文件进行线性切割成快(Block)然后存放在不同的服务器上，但很快你又会提出一个问题，如果一个字比如“存”在UTF-8当中占3个字节，而恰巧一个服务器存了1个字节而另外的2个字节存到了别的服务器上，这会出现我们使用的时候出现乱码，这个问题呢HDFS也帮我们解决了。后面会提到副本，相当于把文件克隆然后会进行一个修复操作。然后不同的文件分布到了不同的服务器上，所以是只允许写一次可以多次读取，那么HDFS存储模型的特点也就明显了。
序号 | 特点 |
|---|---|
1 | 文件线性切割成块（Block）:偏移量 offset （byte） |
2 | Block分散存储在集群节点中 |
3 | 单一文件Block大小一致，文件与 文件可以不一致 |
4 | Block可以设置副本数，副本分散在不同节点中 副本数不要超过节点数量（超过多余的副本会重复将浪费空间） |
5 | 文件上传可以设置Block大小和副本数 |
6 | 已上传的文件Block副本数可以调整，大小不变 |
7 | 只支持一次写入多次读取，同一时刻只有一个写入者（避免修改后要变动后面所有节点的偏移量） |
8 | 可以append追加数据 |
上传文件指定block大小和副本数量
hadoop fs -Ddfs.replication=2 -put a.txt /
hadoop fs -Ddfs.blocksize=67108864 -put fun1.sh /
已上传的文件Block副本数可以调整，大小不变
[root@hadoop-node01 ~]# hadoop fs -setrep -w 3 /fun1.sh
Replication 3 set: /fun1.sh
Waiting for /fun1.sh .... done
append追加数据
hadoop fs -appendToFile b.txt /a.txt
架构模型
- 文件元数据MetaData，文件数据 元数据 数据本身
- （主）NameNode节点保存文件元数据：单节点 posix
- （从）DataNode节点保存文件Block数据：多节点
- DataNode与NameNode保持心跳，提交Block列表
- HdfsClient与NameNode交互元数据信息
- HdfsClient与DataNode交互文件Block数据
NameNode
存储元数据(MetaData)，不存储具体的block
序号 | 特点 |
|---|---|
1 | 基于内存存储，不和硬盘发生交互 |
2 | 持久化 |
NameNode主要功能：
序号 | 功能 |
|---|---|
1 | 接受客户端的读写服务 |
2 | 收集DataNode汇报的Block列表信息 |
3 | NameNode保存metadata信息包括:文件owership和permissions,文件大小，时间（Block列表：Block偏移量），位置信息 |
NameNode持久化
- NameNode的metadate信息在启动后会加载到内存
- metadata存储到磁盘文件名为”fsimage”
- Block的位置信息不会保存到fsimage
- edits记录对metadata的操作日志。。。
DataNode
本地磁盘目录存储数据（Block），文件形式,同时存储Block的元数据信息文件,启动DN时会向NN汇报block信息,通过向NN发送心跳保持与其联系（3秒一次），如果NN 10分钟没有收到DN的心跳，则认为其已经lost，并copy其上的block到其它DN
HDFS优缺点
优先
- 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（Block偏移量）
- 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
- 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
缺点
- 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 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