HDFS原理

HDFS功能：

将大文件、大批量文件，分布式存放在大量服务器上。

首先，它是一个文件系统，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；

重要特性如下：

（1）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版本中是128M，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://namenode:port/dir-a/dir-b/dir-c/file.data

（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）

HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改

HDFS优点：

1、高容错性 

　　1)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
　　2)某一个副本丢失以后，它可以自动恢复，这是由 HDFS 内部机制实现的，我们不必关心。 

2、适合批处理

　　1)它是通过移动计算而不是移动数据

　　2)它会把数据位置暴露给计算框架。

3、适合大数据处理

　　1)处理数据达到 GB、TB、甚至PB级别的数据。

　　2)能够处理百万规模以上的文件数量，数量相当之大。

　　3)能够处理10K节点的规模。

4、流式文件访问
　　1)一次写入，多次读取。文件一旦写入不能修改，只能追加。
　　2)它能保证数据的一致性。

5、可构建在廉价机器上
　　1)它通过多副本机制，提高可靠性。

　　2)它提供了容错和恢复机制。比如某一个副本丢失，可以通过其它副本来恢复。 

HDFS 缺点： 
1、不能低延时数据访问 （不能流式处理数据）
　　1)比如毫秒级的来存储数据，这是不行的，它做不到。
　　2)它适合高吞吐率的场景，就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的，比如毫秒级以内读取数据，这样它是很难做到的。

2、不适合小文件存储 
　　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)小文件存储的寻道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。 
　　2)仅支持数据 append（追加），不支持文件的随机修改。

HDFS 如何存储数据

HDFS 采用Master/Slave的架构来存储数据，这种架构主要由四个部分组成，分别为Client、NameNode、DataNode和Secondary NameNode。

　1、Client：就是客户端。

• 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，然后进行存储。
• 与 NameNode 交互，获取文件的位置信息。
• 与 DataNode 交互，读取或者写入数据。
• Client 提供一些命令来管理 HDFS，比如启动或者关闭HDFS。
• Client 可以通过一些命令来访问 HDFS。

　2、NameNode：就是 master。

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

　3、DataNode：就是Slave。NameNode 下达命令，DataNode 执行实际的操作。

• 存储实际的数据块。
• 执行数据块的读/写操作。

　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。

• 辅助 NameNode，分担其工作量。
• 定期合并 fsimage和fsedits，并推送给NameNode。
• 在紧急情况下，可辅助恢复 NameNode。