Hadoop学习笔记（3）：HDFS组成架构

HDFS概述

HDFS产生背景

随着数据量越来越大，在一个操作系统管辖的范围内存不下了，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概念

HDFS，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 的设计适合一次写入，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优缺点

优点

1. 高容错性
   • 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；
     • 
   • 某一个副本丢失以后，它可以自动恢复。
     • 
2. 适合大数据处理
   • 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. 流式数据访问，它能保证数据的一致性。
4. 可构建在廉价机器上，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. 无法高效的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；
   • 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. 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。

HDFS的组成架构

这种架构主要由四个部分组成，分别为 HDFS Client、NameNode、DataNode 和 Secondary NameNode。

1. Client：就是客户端。
   • 文件切分。文件上传 HDFS 的时候，Client 将文件切分成一个一个的 Block，然后进行存储；
   • 与 NameNode 交互，获取文件的位置信息；
   • 与 DataNode 交互，读取或者写入数据；
   • Client 提供一些命令来管理 HDFS，比如启动或者关闭 HDFS；
   • Client 可以通过一些命令来访问 HDFS；
2. NameNode：就是 Master，它是一个主管、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：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。
   • 辅助 NameNode，分担其工作量；
   • 定期合并 Fsimage 和 Edits，并推送给 NameNode；
   • 在紧急情况下，可辅助恢复 NameNode。

HDFS文件块的大小

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，默认大小在 hadoop2.x 版本中是 128M，老版本中是 64M。
HDFS 的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。
如果寻址时间约为 10ms，而传输速率为 100MB/s，为了使寻址时间仅占传输时间的 1%，我们要将块大小设置约为 100MB。默认的块大小 128MB。
块的大小：10ms*100*100M/s = 100M

 

文件块大小的设置

• 不能太小：HDFS的块设置的太小，会增加寻址时间，程序一直在找块的开始位置
• 不能太大：如果块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间。导致程序在处理这块数据时，会非常慢。
• 总结：HDFS块的大小设置，主要取决于磁盘的传输速率。