HDFS 01 - HDFS是什么？它的适用场景有哪些？它的架构是什么？

目录

• 1 - HDFS 是什么
  • 1.1 简单介绍
  • 1.2 发展历史
• 2 - HDFS 应用场景
  • 2.1 适合的应用场景
  • 2.2 不适合的应用场景
• 3 - HDFS 的架构
• 4 - NameNode 和 DataNode
  • 4.1 NameNode 的作用
  • 4.2 DataNode 的作用
• 版权声明

1 - HDFS 是什么

1.1 简单介绍

在现代的企业环境中，单机容量太小，无法存储海量的数据，这时候就需要多机器存储。

—— 统一管理分布在集群上的文件，这样的系统就称为分布式文件系统。

HDFS（Hadoop Distributed File System，Hadoop 分布式文件系统），是 Apache Hadoop 项目的一个子项目。

我们知道，Hadoop 天生就是为了存储海量数据（比如 TB 和 PB级别）而设计的，它的存储系统就是 HDFS。

HDFS 使用多台计算机存储文件，并提供统一的访问接口，像是访问一个普通文件系统一样使用分布式文件系统。

1.2 发展历史

1. Doug Cutting 在做 Lucene 的时候，需要编写一个爬虫服务，过程中遇到了一些问题，诸如：如何存储大规模的数据，如何保证集群的可伸缩性，如何动态容错等。

2. 2003年的时候，Google 发布了三篇论文，被称作为三驾马车，其中有一篇叫做 GFS，描述了 Google 内部的一个叫做 GFS 的分布式大规模文件系统，具有强大的可伸缩性和容错性。

3. Doug Cutting 后来根据 GFS 的论文, 创造了一个新的文件系统, 叫做 HDFS

2 - HDFS 应用场景

2.1 适合的应用场景

• 存储非常大的文件：这里非常大指的是成百上千 MB、GB，甚至 TB 级别的文件，需要高吞吐量，对延时没有要求。
• 采用流式的数据访问方式：即 一次写入、多次读取，数据集经常从数据源生成或者拷贝一次，然后在其上做很多分析工作。
• 运行于廉价的硬件上：不需要性能特别高的机器，可运行于普通廉价机器，节约成本。
• 需要高容错性，HDFS 有多副本机制，丢失/损坏一定个数的副本后，不影响文件的完整性。
• 用作数据存储系统，方便横向扩展。

2.2 不适合的应用场景

• 低延时的数据访问：对延时要求在毫秒级别的应用，不适合采用 HDFS。HDFS 是为高吞吐数据传输设计的，延时较高。

• 大量小文件：HDFS 系统中，文件的元数据保存在 NameNode 的内存中， 文件数量会受限于 NameNode 的内存大小。

  通常，一个文件/目录/文件块的元数据内存空间约=150Byte。如果有100万个文件，每个文件占用1个 block，则需要大约300MB的内存。因此十亿级别的文件数量在现有商用机器上难以支持。

• 多方读写，需要任意的文件修改：HDFS采用追加（append-only）的方式写入数据。不支持文件任意 offset 的修改，也不支持多个写入器（writer）。

3 - HDFS 的架构

HDFS是一个 主/从（Mater/Slave）体系结构，HDFS由四部分组成，分别是：

HDFS Client、NameNode、DataNode 和 SecondaryNameNode。

1、Client：就是客户端。

• 文件切分。文件上传 HDFS 的时候，Client 将文件切分成多个块（block），然后存储。
• 与 NameNode 交互，获取文件的位置信息。
• 与 DataNode 交互，读取、写入数据。
• Client 提供一些命令来管理和访问 HDFS，比如启动、关闭 HDFS。

2、NameNode：就是 master，是管理者。

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

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：不是 NameNode 的热备份 —— 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。

4 - NameNode 和 DataNode

4.1 NameNode 的作用

NameNode 在内存中保存着整个文件系统的名称空间和文件数据块的地址映射。

HDFS 集群可存储的文件个数受限于 NameNode 的内存大小 。

1. NameNode 存储元数据信息

   元数据包括：文件名，文件目录结构，文件属性（生成时间、副本数、权限等），每个文件的块列表，以及列表中的块与块所在的 DataNode 之间的地址映射关系；

   在内存中加载每个文件和每个数据块的引用关系（文件、block、DataNode 之间的映射信息）；

   数据会定期保存到本地磁盘（fsImage 文件和 fsEdits 文件）。

2. NameNode 文件元数据的操作

   DataNode 负责处理文件内容的读写请求，数据流不会经过 NameNode，而是从 NameNode 获取数据真正要流向的 DataNode。

3. NameNode 副本

   文件数据块到底存放到哪些 DataNode 上，是由 NameNode 决定的，它会根据全局的情况（机架感知机制），做出副本存放位置的决定。

4. NameNode 心跳机制

   管理数据块的复制，周期性的接受心跳和块的状态报告信息（包含该 DataNode 上所有数据块的列表）。

   若接受到心跳信息，NameNode 认为 DataNode 工作正常，如果在10分钟后还接受到不到 DN 的心跳，那么 NameNode 就会认为此 DataNode 节点已经宕机，这时候 NN 就会把 此DN 上的数据块重新复制。

   块的状态报告包含了一个 DN 上所有数据块的列表，blocks report 每间隔 1 小时发送一次.

4.2 DataNode 的作用

提供真实文件数据的存储服务。

1. DataNode 以数据块的形式存储 HDFS 文件

2. DataNode 响应 HDFS 客户端的读写请求

3. DataNode 周期性向 NameNode 汇报心跳信息

4. DataNode 周期性向 NameNode 汇报数据块信息

5. DataNode 周期性向 NameNode 汇报缓存数据块信息

---

版权声明

作者：瘦风(https://healchow.com)

出处：博客园-瘦风的南墙(https://www.cnblogs.com/shoufeng)

感谢阅读，公众号 「瘦风的南墙」 ，手机端阅读更佳，还有其他福利和心得输出，欢迎扫码关注🤝

本文版权归博主所有，欢迎转载，但 [必须在页面明显位置标明原文链接]，否则博主保留追究相关人士法律责任的权利。