Hadoop HDFS概念学习系列之初步掌握HDFS的架构及原理1(一)

  1. 云栖社区>
  2. 博客>
  3. 正文

Hadoop HDFS概念学习系列之初步掌握HDFS的架构及原理1(一)

技术小哥哥 2017-11-14 16:45:00 浏览737
展开阅读全文

HDFS 是做什么的?

        HDFS(Hadoop Distributed File System)是Hadoop项目的核心子项目,是分布式计算中数据存储管理的基础,是基于流数据模式访问和处理超大文件的需求而开发的,可以运行于廉价的商用服务器上。它所具有的高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征为海量数据提供了不怕故障的存储,为超大数据集(Large Data Set)的应用处理带来了很多便利。

 

 

HDFS 从何而来?

        HDFS 源于 Google 在2003年10月份发表的GFS(Google File System)论文。 它其实就是 GFS 的一个克隆版本

 

 

为什么选择 HDFS 存储数据?

        之所以选择 HDFS 存储数据,因为 HDFS 具有以下优点:

        1、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,这是由 HDFS 内部机制实现的,我们不必关心。

        2、适合批处理

          1)它是通过移动计算而不是移动数据。

          2)它会把数据位置暴露给计算框架。

        3、适合大数据处理

          1)处理数据达到 GB、TB、甚至PB级别的数据。

          2)能够处理百万规模以上的文件数量,数量相当之大。

          3)能够处理10K节点的规模。

        4、流式文件访问

          1)一次写入,多次读取。文件一旦写入不能修改,只能追加。

          2)它能保证数据的一致性。

   5、可构建在廉价机器上

          1)它通过多副本机制,提高可靠性。

          2)它提供了容错和恢复机制。比如某一个副本丢失,可以通过其它副本来恢复。

        当然 HDFS 也有它的劣势,并不适合所有的场合:

        1、低延时数据访问

          1)比如毫秒级的来存储数据,这是不行的,它做不到。

          2)它适合高吞吐率的场景,就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的,比如毫秒级以内读取数据,这样它是很难做到的。

        2、小文件存储

          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)小文件存储的寻道时间会超过读取时间,它违反了HDFS的设计目标。

  (这里的小文件是指小于HDFS系统的Block大小的文件,默认是64M)

        3、并发写入、文件随机修改

          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 如何存储数据?

        HDFS 采用Master/Slave的架构来存储数据,这种架构主要由四个部分组成,分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。

  Client:就是客户端。

          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,然后进行存储

          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,比如启动或者关闭HDFS。

          5、Client 可以通过一些命令来访问 HDFS

   NameNode:就是 master,它是一个主管、管理者。

          1、管理 HDFS 的名称空间。

          2、管理数据块(Block)映射信息

          3、配置副本策略

          4、处理客户端读写请求。

  数据块

    1)HDFS默认的最基本的存储单位是128M的数据块。

    2)和普通文件系统相同的是,HDFS中的文件是被分成为每块为128M的数据块进行存储的。

         3)不同于普通文件系统的是,HDFS中,如果一个文件小于一个数据块的大小,并不占用整个数据块存储空间。

  副本策略

    比如,一个10M的数据文件,进来被切分很多个Block,每个Block都有3个副本

 

    HDFS中的数据块(Block)会有多个副本,默认为3个,当然这个副本也是可以配置的。为了数据安全和高效,Hadoop默认对3个副本的存放策略如下:

  第一块:在本地机器的HDFS目录下存储一个Block.

  第二块:不同Rack(机器)的某个DataNode上存储一个Block.

  第三块:在该机器的同一个Rack下的某台机器上存储最后一个Block.

  其他副本:还存在其它副本就随机挑选存储位置。

  DataNode:就是Slave。NameNode 下达命令,DataNode 执行实际的操作。

          1、存储实际的数据块

          2、执行数据块的读/写操作。

  Secondary NameNode:并非NameNode 的热备(热备从广义上讲,就是服务器高可用应用的另一种说法,从狭义上讲,双机热备特指基于高可用系统中的两台服务器的热备)。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。

          2、定期合并fsimage和fsedits,并推送给NameNode。

          3、在紧急情况下,可辅助恢复 NameNode。

    fsimage与edits是NameNode的两个重要文件。

    1)fsimage:元数据镜像文件(文件系统的目录树,比如说有哪些目录,每个目录有哪些文件,这些信息都保存在fsimage文件中。)

    2)edits:元数据操作日志(针对目录树的修改操作,比如你删除了某个文件或者增加了某个文件,它都会把这些操作保存在edits中。)

               

 

 


本文转自大数据躺过的坑博客园博客,原文链接:http://www.cnblogs.com/zlslch/p/5080092.html,如需转载请自行联系原作者

网友评论

登录后评论
0/500
评论
技术小哥哥
+ 关注