大数据技术原理与应用——分布式文件系统HDFS
分布式文件系统HDFS
- 分布式文件系统
分布式文件系统把文件分布存储到多个计算机节点上，成千上万的计算机节点构成计算机集群。
分布式文件系统在物理结构上是由计算机集群中的多个节点构成的，一类叫主节点（Master Node）或被称为名称节点（NameNode）
另一类叫从节点(Slave Node）或被称为数据节点（DataNode）
- HDFS简介
HDFS要实现以下目标：
- 兼容廉价的硬件设备
- 流数据读写
- 支持大数据集
- 简单的文件模式
- 强大的跨平台兼容性
HDFS的局限性
- 不适合低延迟数据访问（无法实现实时处理需求）
- 无法高效存储大量小文件
- 不支持多用户写入及任意修改文件（只允许追加）
- HDFS相关概念
块：HDFS默认一个块64MB，一个文件被分成多个块，以块作为存储单位，块的大小远远大于普通文件系统，可以最小化寻址开销。
采用抽象的块概念的明显好处：
支持大规模文件存储：大规模文件可以被分拆成若干各文件块，不同的块可以被分发到不同的节点上，因此一个文件的大小不会受到单个节点的存储容量的限制
简化系统设计：文件块大小时固定的，可以很容易计算出一个节点可以存储多少文件块；其次方便了元数据的管理
适合数据备份：每个文件块都可以冗余存储到多个节点上，大大提高了系统的容错性和可用性
| 名称节点 | 数据节点 |
| 存储元数据 | 存储文件内容 |
| 元数据保存在内存中 | 文件内容保存在磁盘 |
|
保存文件，block， datanode之间的映射关系 |
维护了block id和datanode本地文件的映射关系 |
- HDFS存储原理
名称节点：负责管理分布式文件系统的命名空间，保存了两个核心的数据结构，即FsImage和EditLog。名称节点记录了每个文件中各个块所在地 数据节点的位置信息
FsImage用于维护文件系统树以及文件树中所有的文件和文件夹的元数据。
FsImage文件包含文件系统中所有目录和文件inode的序列化形式。每个inode时一个文件或目录的元数据的内部表示，并包含此类信息：文件的复制等级、修改和访问时间、访问权限、块大小以及组成文件的块。对于目录，则存储修改时间、权限和配额元数据。
FsImage文件没有记录块存储在哪个数据节点，而是由名称节点把这些映射保留在内存中，当数据节点加入HDFS集群时，数据节点会把自己所包含的块列表告知给名称节点，此后会定期执行这种告知操作，以确保名称节点的块映射时最新的。
操作日志文件EditLog中记录了所有针对文件的创建、删除、重命名等操作。
- HDFS数据读写过程
在名称节点启动的时候，会将FsImage文件中的内容加载到内存中，之后再执行EditLog文件中的各项操作，使得内存中的元数据和实际的同步，存在内存中的元数据支持客户端的读操作。一旦再内存中成功建立文件系统元数据的映射，则创建一个新的FsImage文件和一个空的EditLog文件。名称节点启动以后，HDFS中的更新操作会重新写到EditLog文件中（因为FsImage文件一般很大，如果所有的更新操作都往FsImage文件中添加，这样会导致系统运行的十分缓慢，而EditLog文件则小得多）。每次执行写操作后，且在向客户端发送成功代码之前，edits文件都需要同步更新。
数据节点：是HDFS的工作节点，负责数据的存储和读取，根据客户端或名称节点的调度来进行数据的存储和检索，并且向名称节点定期发送自己所在存储的块的列表。数据节点中的数据会被保存再各自节点的本地Linux文件系统中。
