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/zhutiansam…