HDFS 概述

定义

HDFS（Hadoop Distributed File System）是分布式文件管理系统中的一种，用来管理多台机器上的文件，通过目录树来定位文件。
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。
适合一次写入，多次读取，且不支持文件的修改。适合用来做数据分析，不适合用来做网盘应用。

优缺点

优点：
1.高容错性
数据自动保存多个副本。通过增加副本的形式，提高容错性
某一个副本丢失以后，可以自动恢复
2.适合处理大数据。
3.可运行在廉价机器上，通过多副本机制，提高可靠性。

缺点：
1.无法低延时访问数据，如毫秒级的存储数据。
2.无法高效的对大量小文件进行存储。
大量小文件会占用 NameNode 大量的内存来存储文件目录信息和块信息
小文件的寻址时间会超过读取时间
3.无法并发写入和文件随机修改。
HDFS上一个文件只能有一个线程写，不允许多个线程同时写
HDFS上的文件仅支持数据append（追加），不支持文件的随机修改

HDFS 组成

HDFS 为 主(Master) / 从(Slave) 架构：一个 NameNode，多个 DataNode（通常是群集中每个节点一个）

NameNode：管理文件系统命名空间（打开、关闭、重命名文件和目录，还确定了文件块在那个 DataNode 上的路径），管理客户端对文件的访问，配置副本策略（复制因子，可为某个文件单独设置），记录对文件系统命名空间或其属性的任何更改

DataNode：存储文件块（负责提供来自文件系统客户端的读写请求，还根据 NameNode 的指令执行块创建、删除和复制），上传至 HDFS 的文件在内部被分成一个或多个块，这些块存储在一组 DataNode 中

Client：
HDFS 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增删查改操作

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
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.在紧急情兄下，可辅助恢复NameNode

HDFS 文件块大小设置

HDFS 中的文件在物理磁盘上是分块存储（Block），块的大小可以通过配置参数（dfs.blocksize）来设置
默认大小在Hadoop2.x版本中是128M，1.x中是64M，本地模式中是32M

寻址（查找Block位置）时间为传输时间的 1% 时，则为最佳状态。
目前磁盘的传输速率普遍为 100MB/s

假设 HDFS 寻址时间为 0.01 秒，那最佳块大小为：0.01 / 1% * 100M = 100M，实际有些偏差，所以 100M/s 的磁盘最佳为 128M

块的大小不能设置太小，也不能设置太大
1.块设置太小，会增加寻址时间，程序一直在找块的开始位置
2.块设置太大，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居时，会非常慢

HDFS 块的大小设置主要取决于磁盘传输速率

---

https://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/HdfsDesign.html

https://blog.csdn.net/pear_zi/article/details/8082752

https://www.cnblogs.com/Dhouse/p/6901028.html