大数据——HDFS(分布式文件系统）

一，分布式系统概述

Hadoop的两大核心组件

大数据——HDFS(分布式文件系统）

HDFS（Hadoop Distributed Filesystem）：是一个易于扩展的分布式文件系统，运行在成百上千台低成本的机器上。HDFS具有高度容错能力，旨在部署在低成本机器上。HDFS主要用于对海量文件信息进行存储和管理，也就是解决大数据文件（如TB乃至PB级）的存储问题，是目前应用最广泛的分布式文件系统。

分布式系统的演变：
大数据——HDFS(分布式文件系统）

传统文件系统遇到的问题：

传统文件系统的问题：

•当数据量越来越大时，会遇到存储瓶颈，需要扩容；

•由于文件过大，上传下载都非常耗时

分布式文件系统的雏形：

•横向扩容，即增加服务器数量，构成计算机集群

•将大文件切割成多个数据块，将数据块以并行的方式，分布地在多个计算机节点上进行存储、读取

DHFS集群架构：

大数据——HDFS(分布式文件系统）

普通Hadoop集群结构由一个两阶网络构成。
机架内的节点之间、机架之间，通过光纤高速交换机完成彼此的连接与交互。
每个机架（Rack）有30-40个服务器，配置一个1GB的交换机，并向上连接到一个核心交换机或者路由器（1GB或以上）。

HDFS的集群中的节点分为两类：

•
名称结点（NameNode）
：又称为
主节点
(Master Node)
，存储元数据，元数据可看作是数据目录，存放一些其他服务器的信息（相当于一个代理服务器）；

•
数据节点（
DataNode）
：又称为
从节点（
Slave Node
）存储数据块，即实际数据。

大数据——HDFS(分布式文件系统）

DHFS的优点：

支持超大文件

流式数据读写

高数据吞吐量

硬件设备要求低

高容错性

……

一次写入、多次读取的流式数据访问模式：

•一次写入：	从数据源收集或生成的数据集，向HDFS中的文件一次性写入，关闭之后不可修改，只能在文件末尾追加。
•多次读取：	在该数据集上进行各种分析，每次分析都需要读取该数据集的大部分甚至全部数据
•流式数据访问：	读取数据文件就像流水一样，不是一次性过来而是 “流”过来，来一部分、处理一部分。例如，下载电影，用迅雷边下边播。

•
综上
：即批量数据处理，不能随机读写、不能交互式处理

DHFS的缺点：

不适合低延迟数据访问

无法高效存储大量小文件

不支持多用户写入和修改

……

无法高效存储大量小文件：

由于名称节点将HDFS文件系统的元数据存储在内存中，因此该文件系统所能存储的文件总数受限于名称节点的内存容量。一般每个文件、目录和数据块的元数据存储信息大约占150字节（B）。因此，如果有一百万个文件，且每个文件占一个数据块，那至少需要300MB的内存。尽管存储上百万个文件是可行的，但是存储数十亿个文件就超出了当前硬件的能力。