Hadoop（3）hdfs功能详解、hdfs架构剖析、hdfs优缺点

hdfs功能详解

`HDFS（hadoop distributed filesystem)由四部分组成，HDFS Client、NameNode、DataNode和Secondary NameNode。HDFS是一个主/从（Mater/Slave）体系结构，HDFS集群拥有一个NameNode和一些DataNode。NameNode管理文件系统的元数据，DataNode存储实际的数据。

HDFS客户端：就是客户端。

1、提供一些命令来管理、访问 HDFS，比如启动或者关闭HDFS。

2、与 DataNode 交互，读取或者写入数据；读取时，要与 NameNode 交互，获取文件的位置信息；写入 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。

NameNode：即Master，

1、管理 HDFS 的名称空间。

2、管理数据块（Block）映射信息

3、配置副本策略

4、处理客户端读写请求。

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。

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。

2、定期合并 fsimage和fsedits，并推送给NameNode。

3、在紧急情况下，可辅助恢复 NameNode。

​

hdfs的架构详细剖析

HDFS分布式文件系统也是一个主从架构，主节点是我们的namenode，负责管理整个集群以及维护集群的元数据信息，从节点datanode，主要负责文件数据存储：

1）HDFS集群包括，NameNode和DataNode以及Secondary Namenode。

2）NameNode负责管理整个文件系统的元数据，以及每一个路径（文件）所对应的数据块信息。

3）DataNode 负责管理用户的文件数据块，每一个数据块都可以在多个datanode上存储多个副本。

4）Secondary NameNode用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。最主要作用是辅助namenode管理元数据信息

• heartbeats是心跳的意思，每次启动hdfs,datanode都会通过心跳向namenode汇报自己的存储情况，
• balancing是平衡的意思，表示namenode合适分配块的存储位置，使每个节点负载均衡

namenode与datanode

Namenode与Datanode的关系图示：

NameNode与Datanode的总结概述

hdfs文件系统容量大小

hdfs文件系统容量大小约等于各个服务器的容量大小之和得到，为什么是约等于？因为每个服务器都要留部分空间给自身系统等东西，不能全部用来做hdfs的容量。

 ![image-20200209215327357](https://img2020.cnblogs.com/blog/1362875/202008/1362875-20200826235007228-541574548.png)

hdfs存储方式---block

hdfs的数据以block块的形式进统一存储管理，每个block块默认最多可以存储128M的文件，如果有一个文件大小为1KB，也是要占用一个block块，但是实际占用磁盘空间还是1KB大小，类似于有一个水桶可以装128斤的水，但是我只装了1斤的水，那么我的水桶里面水的重量就是1斤，而不是128斤。除了些用不可分割算法进行压缩的文件不可被切分外，几乎所有文件都可以被切割。

每个block块的元数据大小大概为150字节

所有的文件都是以block块的方式存放在HDFS文件系统当中，block块的大小可以通过hdfs-site.xml当中的配置文件进行指定:

<property>
    <name>dfs.block.size</name>
    <value>块大小 以字节为单位</value> <!--只写数值就可以-->
</property>

抽象成数据块的好处：

• 一个文件有可能大于集群中任意一个磁盘
  10T*3/128 = xxx块 2T，2T，2T 文件方式存—–>多个block块，这些block块属于一个文件
• 使用块抽象而不是文件可以简化存储子系统
• 块非常适合用于数据备份进而提供数据容错能力和可用性

hdfs的副本因子

为了保证block块的安全性，也就是数据的安全性，文件默认保存三个副本，我们可以更改副本数以提高数据的安全性，在hdfs-site.xml当中修改以下配置属性，即可更改文件的副本数：

<property>
	<name>dfs.replication</name>
	<value>3</value>
</property>
<!--修改之后，之前保存的文件的副本数保持不变，之后存入的文件的副本数会发生变化-->

块缓存

通常DataNode从磁盘中读取块，但对于访问频繁的文件，其对应的块可能被缓存在DataNode的内存中，以堆外块缓存的形式存在。默认情况下，一个块仅缓存在一个DataNode的内存中，当然可以针对每个文件配置DataNode的数量。作业调度器通过在缓存块的DataNode上运行任务，可以利用块缓存的优势提高读操作的性能。

• 例如： 连接（join）操作中使用的一个小的查询表就是块缓存的一个很好的候选。
  用户或应用通过在缓存池中增加一个cache directive来告诉namenode需要缓存哪些文件及存多久。缓存池（cache pool）是一个拥有管理缓存权限和资源使用的管理性分组。

hdfs的文件权限验证

hdfs的文件权限机制与linux系统的文件权限机制类似：r:read w:write x:execute

删除一个文件需要的是具有该文件所在目录的写权限，而不是具有该文件的写权限，文件的写权限只能够修改文件内容，HDFS文件权限的目的，防止好人做错事，而不是阻止坏人做坏事。HDFS相信你告诉我你是谁，你就是谁

通过shell修改hdfs系统文件的权限和所有者：

hdfs dfs -chown /文件
hdfs dfs -chmode /文件

hdfs的端口号

查看core-site.xml配置文件，可以看到hdfs文件系统的端口号是8020

<property>
    <name>fs.defaultFS</name>
    <value>hdfs://node01:8020</value>
</property>

hdfs的优缺点

hdfs的优点

(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. 数据规模：能够处理数据规模达到 GB、TB、甚至PB级别的数据。

2. 文件规模：能够处理百万规模以上的文件数量，数量相当之大。

3. 节点规模：能够处理10K节点的规模。

(4) 流式数据访问

1. 一次写入，多次读取，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的缺点

(1) 不适合低延时数据访问；

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。

改进策略：使用Hbase

(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. 小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。 改进策略

(3) 不支持并发写入、不支持文件随机修改

1. 一个文件只能有一个写，不允许多个线程同时写。（支持并发读取）

2. 仅支持数据 append（追加），不支持文件的随机修改。