【HDFS篇01】HDFS入门概述

真正的学习是去探索，思考和重建

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定义

​ HDFS（ 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

关键词：文件系统，分布式

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

优点

• 高容错性

  （1）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。
  （2）某一个副本丢失以后，它可以自动恢复
  

• 适合处理大数据

  （1）数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据：
  （2）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）可构建在廉价机器上，通过多副本机制，提高可靠性
  

缺点

• 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

• 无法高效的对大量小文件进行存储

（1）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：
（2）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。

• 不支持并发写入、文件随机修改HDFS

（1）一个文件只能有一个写，不允许多个线程同时写：
（2）仅支持数据 append（追加），不支持文件的随机修改

HDFS组成架构图

HDFS文件块大小

思考：快为什么不能设置太小，也不能设置太大呢？

（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的开始位置：
（2）HDFS的块比磁盘的块大，其目的是为了最小化寻址开销：
（3）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传输速率。

相关资料

本文配套GitHub：https://github.com/zhutiansama/FocusBigData