大数据(二) - HDFS
jopen
8年前
HDFS优点
高容错性
数据自动保存多个副本
副本丢失后，自动恢复
适合批处理
移动计算而非数据
数据位置暴露给计算框架
适合大数据处理
GB、TB、甚至PB级数据
百万规模以上的文件数量
10K+节点规模
流式文件访问
一次性写入，多次读取
保证数据一致性
可构建在廉价机器上
通过多副本提高可靠性
提供了容错和恢复机制
HDFS缺点，不适合以下操作方式：
低延迟数据访问
比如毫秒级
低延迟与高吞吐率
小文件存取
占用NameNode大量内存
寻道时间超过读取时间
并发写入、文件随机修改
一个文件只能有一个写者
仅支持append
HDFS不适合存储小文件
元信息存储在NameNode内存中
一个节点的内存是有限的
存取大量小文件消耗大量的寻道时间
类比拷贝大量小文件与拷贝同等大小的一个大文件
NameNode存储block数目是有限的
一个block元信息消耗大约150 byte内存
存储1亿个block，大约需要20GB内存
如果一个文件大小为10K，则1亿个文件大小仅为1TB（但要消耗掉NameNode 20GB内存）
HDFS架构
HDFS使用典型的master-slave结构
HDFS设计思想
hdfs架构
Active Namenode： 主Master（只有一个）
管理HDFS的名称空间
管理数据块映射信息
配置副本策略
处理客户端读写请求
Standby Namenode：NameNode的热备；
定期合并fsimage和fsedits，推送给NameNode；
当Active NameNode出现故障时，快速切换为新的 Active NameNode。
Datanode： Slave（有多个）
存储实际的数据块
执行数据块读/写
Client： 文件切分
与NameNode交互，获取文件位置信息；
与DataNode交互，读取或者写入数据；
管理HDFS；
访问HDFS。
HDFS数据块（block）
文件被切分成固定大小的数据块
默认数据块大小为64MB，可配置
若文件大小不到64MB，则单独存成一个block
为何数据块如此之大
数据传输时间超过寻道时间（高吞吐率）
一个文件存储方式
按大小被切分成若干个block，存储到不同节点上
默认情况下每个block有三个副本
HDFS写流程
HDFS读流程
HDFS典型的物理拓扑结构
HDFS Block副本放置策略
副本1: 同Client的节点上
副本2: 不同机架中的节点上
副本3: 与第二个副本同一机架的另一个节点上
其他副本:随机挑选
HDFS访问方式
HDFS Shell命令 ：和linux命令很像
HDFS Java API ：org.apache.hadoop.fs，很简单
HDFS REST API
HDFS Fuse：实现了fuse协议
HDFS lib hdfs：C/C++访问接口
HDFS 其他语言编程API
使用thrift实现
支持C++、Python、php、C#等语言
HDFS2.0新特性（还没有完全实现，谨慎使用）：
NameNode HA
NameNode Federation
HDFS 快照（snapshot）
HDFS 缓存（in-memory cache）
HDFS ACL
异构层级存储结构（Heterogeneous Storage hierarchy）
来自： http://blog.csdn.net//matthewei6/article/details/50507023