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

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：

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：

• 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。

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。

二，相关的概念

1,(block）数据块的概念：

•
在HDFS中，文件被拆分成多个数据块，在Hadoop2.x版本下，默认是128MB，每个块作为独立单元进行存储。

•
所有的块（block）同样大小，除了最后一个块

•
每个块备份3份，存储于不同的数据节点DataNode中。

如果一个文件有1000MB则在hadoop2.x版本下，将会被分成7份128MB的数据块和一个0.812MB的数据块。

2，元数据

•
HDFS中文件和目录的信息：文件名(/user/data/File.txt )、目录名、父目录信息、文件大小、文件的创建修改时间等；

•
文件数据块及其存储信息：文件分块情况（块数、块的编号）、副本个数、每个副本所在的DataNode信息等；

•
HDFS中所有DataNode的信息：用于DataNode管理。

/user/data/File.txt是文件所在的路径，有三个备份，2号，8号，9号，然后每个里面备份三个不同服务器的数据。

3,(NameNode）名称结点（我的理解是代理服务器）

NameNode是HDFS集群的主服务器，通常称为名称节点或者主节点。一旦NameNode关闭， 就无法访问Hadoop集群。

 **主要作用：**

•
存储、管理、更新元数据

•
管理客户端对文件的访问，记录对文件系统的更改操作

4,(DtaNode)数据节点

**数据节点**是**HDFS****集群**中的**从服务器**，称为**数据节点**，它与NameNode保持不断的通信，**其主****要作用：**

•
负责数据块的存储和读取

•
根据客户端或名称节点的调度，存储并检索数据块，对数据块进行创建、删除等操作

•
向名称节点定期发送自己存储的数据块的列表信息（心跳信息）

•
每个数据节点存储的实际数据，保存在该节点本地的Linux文件系统中

总结图：

我的理解就是 ，你上传到服务器的数据，为了保证数据的安全性，如果一个服务器出现了问题 ，那么必须保证你的数据不能丢失，那么在其他服务器上也会备份一份出问题服务器的数据，以保证数据不丢失，就是一个存有你数据的服务器坏掉了，也不会影响你的数据。

  以上仅仅是我的理解，仅供参考。