HDFS概述及其优缺点

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 Distributed File System），它是一个文件系统，用于存储文件，通过目录树来定位文件；其次，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。
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。适合用来做数据分析，并不适合用来做网盘应用。

HDFS组成架构

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）配置副本策略；
（3）管理数据块（Block）映射信息；
（4）处理客户端读写请求。

2.DataNode（dn）：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。

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。
   
   2.适合处理大数据
   （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.可构建在廉价机器上，通过多副本机制，提高可靠性。

缺点

1. HDFS不支持对文件的随机写
   可以append（追加），但是不能修改！
   原因： 文件在HDFS上存储时，以block为基本单位存储！
   ①没有提供对文件的在线寻址(打开)功能
   ②文件以块形式存储，修改了一个块中的内容，就会影响当前块之后所有的块，效率低

2. 不支持并发写入，同一个文件在同一时刻只能由一个客户端写入，不允许多个线程同时写！

3. 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。

4. HDFS不适合（不高效）存储小文件
   根本原因： HDFS存储了大量的小文件，会降低NN的服务能力！

   NN负责文件元数据(属性，块的映射)的管理，NN在运行时，必须将当前集群中存储所有文件的元数据全部加载到内存！
   NN耗费大量内存！ 而不能存储可观的数据。

    举例： 当前运行NN的机器，有64G内存，除去系统开销，分配给NN50G内存！
    
    文件a (1k), 存储到HDFS上，需要将a文件的元数据保存到NN，加载到内存
    	包括：文件名  创建时间  所属主  所属组 权限 修改时间+ 块的映射(1块)
    	NN占用内存：150B
    	最多存储50G/150B个文件a
    		存储占用磁盘空间：50G/150B * 1k
    	 
    文件b (128M), 存储到HDFS上，需要将b文件的元数据保存到NN，加载到内存
    		包括：文件名  创建时间  所属主  所属组 权限 修改时间+块的映射(1块)
    	NN占用内存：150B
    	最多存储50G/150B个文件b
    		存储占用磁盘空间：50G/150B * 128M