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。
HDFS定义
Hdfs(hadoop distribute file system),他是一个文件系统,用于存储文件,通过目录树来定位文件:其次,他是分布式的,有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,且不支持文件的修改。适合用来做数据存放。
优点;
(1)高容错性
数据自动保存多个副本。 (默认是三分)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,
(3)可构建在廉价机器上,通过多副本机制,提高可靠性
HDFS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。
①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;
②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。
①一个文件只能有一个写,不允许多个线程同时写(重点);
②仅支持数据append(追加),不支持文件的随机修改
HDFS的架构:
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)处理客户端读写请求。
(3)配置副本策略;
(4)管理数据块(Block)映射信息;
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。
HDfs中的文件在物理上是分块存储,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