HDFS概述
作者：尹正杰
版权声明：原创作品，谢绝转载！否则将追究法律责任。
一.HDFS产出背景及定义
1>.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磁盘中，但是不方便维护和管理，迫切需求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。
2>.HDFS定义
HDFS全称为：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；其次，他是分布式的，由很多服务联合起来实现其功能，集群中的服务器有各自的角色。
3>.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
1>.优点
一.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； 二.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； 三.可构建在廉价机器上，通过多副本机智，提高可靠性。
2>.缺点
一.不适合低延迟数据访问，比如毫秒级的存储数据，是做不到的； 二.无法高效的对大量小文件进行存储
>.存储大量小文件的话，他会占用NameNode大量的内存来存储文件目录块信息。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； 三.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
一.NameNode
就是Master，他是一个主管，管理者。
>.管理HDFS的名称空间；
>.配置副本策略；
>.管理数据块（Block）映射信息；
>.处理客户端读写请求； 二.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； 三.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，然后进行上传；
>.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NameNode格式化；
>.Client可以通过一些命令来访问HDFS，比如对HDFS增删改查操作； 四.Secondary NameNode
并非NameNode的热备，当NameNode刮掉的时候，它并不能马上替换NameNode并提供服务。
>.辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode；
>.在紧急情况下，可辅助恢复NameNode；
四.HDFS文件块大小
HDFS中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版本是128M，在Hadoop1.x版本中是64M。
一.为什么Hadoop2.x版本中是128M
>.如果寻址时间为10ms，即查找到目标的bolck的时间为10ms；
>.寻址时间为传输时间的1%时，则为最佳状态。因此，传输时间=寻址时间/0.01=10ms/0.01=1000ms=1s
>.而目前磁盘的传输速度普遍为100MB/s
>.因此block的大小为=1s*100MB/s=100M
>.这个100M在外国的程序员无法用二进制表示，于是开发人员为了方便好记就找了一个二进制和改制相似的数字设置为默认值，因此Hadoop默认的大小为128MB。当然，这是为脑补出来的答案，哈哈哈～ 二.为什么块的大小不能设置太小，也不能设置太大？
>.HDFS的块设置太小，会增加寻址时间，呈现一直在找块的开始位置；
>.如果块设置的太大，从磁盘传输数据的时间会明显大雨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，主要取决于磁盘传输速度。随着科技的发展，磁盘的速度在不久的将来也会有所提高的，而Hadoop的版本默认值也会在不断的变大，这是很合理的。
关于如何测试磁盘的读写速度，可参考我之前的笔记：https://www.cnblogs.com/yinzhengjie/p/9935478.html。