1.1 HDFS产生背景
随着数据快速增长，单台机器存储不了大量的数据，于是就得分配到更多机器管理的磁盘中，但不方便管理和维护，迫切需要一种系统来管理多台机器上的文件，这就是分布式文件系统。HDFS是一种分布式文件系统。
1.2 HDFS概念
HDFS是一种文件系统，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。
HDFS的设计适合一次写入，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，并不适合用网盘应用。
1.3 HDFS优缺点
1.3.1.优点
1. 高容错性
- 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；
- 某一个副本丢失以后，它可以自动恢复。
2. 适合大数据处理
- 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据；
- 文件规模：能够处理百万规模以上的文件数量。
3. 流式数据访问
- 只需要寻址一次，然后一直读。硬盘的物理构造导致寻址开销比较大。所以流式读取更加适合硬盘本身的特性。当然大文件的特点也更适合流式读取。与流式数据访问对应的是随机数据访问，它要求定位、查询或修改数据的延迟较小，比较适合于创建数据后多次读写的情况，传统关系型数据库很符合这一点。
4. 数据一致性
- HDFS应用程序一般对文件的操作是一次写入、多次读出的模式。文件一经创建、写入、关闭后，一般文件内容不再发生改变。这种简单的一致性原则，使高吞吐量的数据访问成为可能。
5. 高可靠
- 可构建在廉价机器上，通过多副本机制，提高可靠性。
1.3.2.缺点
-
不适合低延时数据访问，比如毫秒级的存取数据，是做不到的。
-
无法高效的对大量小文件进行存储。
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；
小文件存取的寻址时间会超过读取时间，它违反了HDFS的设计目标； -
并发写入、文件随机修改。
一个文件只能有一个线程写，不允许多个线程同时写；
仅支持数据append（追加），不支持文件的随机修改；
1.4 HDFS架构
HDFS架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。
Client：客户端
- 文件切分，文件上传HDFS时，Client将文件切分成一个个Block，然后进行存储；
- 与NameNode交互，获取文件的位置信息；
- 与DataNode交互，读取或者写入数据；
- Client提供一些命令来管理HDFS，比如启动或者关闭HDFS；
- Client可以通过一些命令来访问HDFS；
NameNode：Master，管理者。
- 管理HDFS的名称空间；
- 管理数据块（Block）映射信息；
- 配置副本策略；
- 处理客户端读写请求。
DataNode：Slave，NameNode下达命令，DataNode执行实际的操作。
- 存储实际的数据块；
- 执行数据块的读/写操作。
Secondary NameNode：并非NameNode的热备。当NameNode挂掉的时候，它并不能马上替换NameNode并提供服务。
- 辅助NameNode，分担其工作量；
- 定期合并Fsimage和Edits，并推送给NameNode；
- 在紧急情况下，可辅助恢复NameNode。
1.5 HDFS文件块大小
HDFS上的文件在物理上是分块存储（block），块的大小可以通过配置参数( dfs.blocksize)来规定，默认大小在hadoop2.x版本是128M，旧版本是64M。
HDFS的块比磁盘的块大，其目的是为了最小化寻址开销。如果块设置得足够大，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。因而，传输一个由多个块组成的文件的时间取决于磁盘传输速率。
如果寻址时间约为10ms，而传输速率为100MB/s，为了使寻址时间仅占传输时间的1%，需要将块大小设置约为100MB。默认的块大小128MB。
块的大小：10ms*100*100M/s = 100M
