HDFS 组织架构
一、HDFS 概述
HDFS 产生背景：随着数据量越来越多，一个系统存储不下所有的数据，那么就需要分配到多个操作系统的磁盘中进行存储，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的一种。
HDFS 定义：HDFS（Hadoop Distributed File System）分布式文件系统，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。
二、HDFS 优缺点
优点：【1】容错性：数据自动保存多个副本。通过增加副本的形式，提高容错性。如下三个副本中其中一个副本挂掉了：
某一个副本丢失以后，它可以自动恢复
【2】适合处理大数据：数据规模：能够处理数据规模达到 GB、TB、甚至 PB级别的数据。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】可以构建在廉价机器上，通过多副本机制，提高可靠性。
缺点：【1】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。
【2】无法高效对大量小文件进行存储：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。同时，小文件存储的寻址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：一个文件只能有一个写，不允许多个线程同时写。仅支持数据 append（追加），不支持文件的随机修改。
三、HDFS 组成架构
HDFS（Hadoop Distributed File System）的架构概述，易懂版，如图所示。
HDFS 组成架构（官网）
【1】NameNode(nn)：就是Master，作为管理者：
（1）管理 HDFS 的名称空间；
（2）配置副本策略；
（3）管理数据块（Block）的映射信息；
（4）处理客户端读写请求；
【2】DataNode：就是 Slave。NameNode 下达命令，DataNode 执行实际操作。
（1）存储实际的数据块；
（2）执行数据块的读/写操作；
【3】Secondary NameNode：非 NameNode 的热备。当 NameNode 挂掉时，它并不能马上替换 NameNode 并提供服务。
（1）辅助 NameNode，分担其工作量，比如定期合并 Fsimage 和 Edits，并推送给 NameNode；
（2）在紧急情况下，可辅助恢复 NameNode；
【4】Client：客户端
（1）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，然后进行上传；
（2）与 NameNode 交互，获取文件的位置信息；
（3）与 DataNode 交互，读取或者写入数据；
（4）Client 提供一些命令来管理 HDFS，比如 NameNode 格式化；
（5）Client 可以通过一些命令来访问 HDFS，比如对 HDFS 的增删改查操作；
【5】副本的复制策略：首先 HDFS副本复制策略基于的前提是机架感知，对此首先需要了解网络的带宽是如何计算：
（1）相同机架的不同节点之间的网络传输速度都是2；
（2）不同机架的不同节点之间的网络传输速度是4；
【策略如下】：第一个副本：如果客户端在当前 DataNode节点上发送请求，第一个副本就保存在客户端所在的节点上(遵循就近原则) 如果客户端不在集群的任意节点上，则随机选择一个节点保存副本；
第二个副本：和第一个副本不同的机架上的随机节点上 (为了保证数据的安全) ；
第三个副本：和第二个副本在同机架的不同节点上(为了副本的复制速度) ；
四、HDFS 文件块大小
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，默认在 Hadoop2.x版本中是 128M，老版本是 64M。
HDFS 块大小设置：为什么块的大小不能设置太小,也不能设置太大
【1】HDFS 块设置太小，会增加寻址时间，程序一直在找块的位置；
【2】如果块设置的太大，从磁盘传输数据的时间会明显大于块定位的时间。导致程序在处理块数据时，会非常慢。
总结：HDFS 块的大小设置取决于磁盘传输速率
