Hadoop HDFS概述

Hadoop文件系统是使用分布式文件系统设计开发的。它运行在商用硬件上。与其他分布式系统不同，HDFS是高度容错的，并且使用低成本硬件设计。

HDFS拥有大量的数据并提供更容易的访问。为了存储这样巨大的数据，文件存储在多个机器。这些文件以冗余方式存储，以在发生故障时避免系统可能的数据丢失。 HDFS还使应用程序可用于并行处理。

HDFS的特点

• 它适用于在分布式存储和处理。
• Hadoop提供了一个与HDFS交互的命令接口。
• namenode和datanode的内置服务器帮助用户轻松检查集群的状态。
• 流式访问文件系统数据。
• HDFS提供文件权限和身份验证。

HDFS架构

下面给出了Hadoop文件系统的体系结构。

HDFS遵循主从架构，并具有以下元素。

• Block数据

  一般用户数据存储在HDFS的文件中。文件系统中的文件将被分成一个或多个段和/或存储在各个数据节点中。这些文件段称为块。换句话说，HDFS可以读取或写入的最小数据量称为块。默认块大小为64MB，但可以根据需要更改HDFS配置来增加。

  1. 基本存储单位，一般大小为64M（配置大的块主要是因为：1）减少搜寻时间，一般硬盘传输速率比寻道时间要快，大的块可以减少寻道时间；2）减少管理块的数据开销，每个块都需要在NameNode上有对应的记录；3）对数据块进行读写，减少建立网络的连接成本）

  2. 一个大文件会被拆分成一个个的块，然后存储于不同的机器。如果一个文件少于Block大小，那么实际占用的空间为其文件的大小

  3. 基本的读写单位，类似于磁盘的页，每次都是读写一个块

  4. 每个块都会被复制到多台机器，默认复制3份

• NameNode

  namenode是包含GNU / Linux操作系统和namenode软件的商用硬件。它是一个可以在商用硬件上运行的软件。具有namenode的系统充当主服务器，它执行以下任务：管理文件系统命名空间；调整客户端对文件的访问；执行文件系统操作，例如重命名，关闭和打开文件和目录。

  1. 存储文件的metadata，运行时所有数据都保存到内存，整个HDFS可存储的文件数受限于NameNode的内存大小

  2. 一个Block在NameNode中对应一条记录（一般一个block占用150字节），如果是大量的小文件，会消耗大量内存。同时map task的数量是由splits来决定的，所以用MapReduce处理大量的小文件时，就会产生过多的map task，线程管理开销将会增加作业时间。处理大量小文件的速度远远小于处理同等大小的大文件的速度。因此Hadoop建议存储大文件

  3. 数据会定时保存到本地磁盘，但不保存block的位置信息，而是由DataNode注册时上报和运行时维护（NameNode中与DataNode相关的信息并不保存到NameNode的文件系统中，而是NameNode每次重启后，动态重建）

  4. NameNode失效则整个HDFS都失效了，所以要保证NameNode的可用性

• Secondary NameNode

  1. 定时与NameNode进行同步（定期合并文件系统镜像和编辑日志，然后把合并后的传给NameNode，替换其镜像，并清空编辑日志，类似于CheckPoint机制），但NameNode失效后仍需要手工将其设置成主机

• DataNode

  datanode是具有GNU / Linux操作系统和datanode软件的商用硬件。对于集群中的每个节点（商品硬件/系统），都会有一个datanode。这些节点管理其系统的数据存储。Datanodes根据客户端请求对文件系统执行读写操作。它们还根据namenode的指令执行诸如块创建，删除和复制的操作。

  1. 保存具体的block数据

  2. 负责数据的读写操作和复制操作

  3. DataNode启动时会向NameNode报告当前存储的数据块信息，后续也会定时报告修改信息

  4. DataNode之间会进行通信，复制数据块，保证数据的冗余性

HDFS的目的

• 故障检测和恢复 ：由于HDFS包括大量的商品硬件，组件的故障频繁。因此，HDFS应该具有快速和自动故障检测和恢复的机制。

• 巨大的数据集 ：HDFS应该每个集群有数百个节点来管理具有巨大数据集的应用程序。

• 硬件数据 ：当在数据附近进行计算时，可以有效地完成所请求的任务。特别是在涉及巨大数据集的情况下，它减少了网络流量并增加了吞吐量。

转载本站内容时，请务必注明来自W3xue，违者必究。