大数据开发小白入门群：QQ:699479439

上一节我们简单介绍了hadoop主要由三大块组成：分布式文件系统（HDFS）、分布式计算框架（MapReduce）、分布式调度器（yarn）组成，从这节课开始，我们逐一的详细介绍这些技术。本节课，就详细了解一下分布式文件系统--HDFS。

一、课前知识：

文件系统： 文件系统（file system）是命名文件及放置文件的逻辑存储和恢复的系统，我的理解就是管理文件命名及存放的一种软件系统。

常见的格式有：windows下：FAT\FAT32\NTFS Linux下：Ext2 Ext3 Mac OS 下：HFS

分布式系统: 分布式文件系统（Distributed File System，DFS）是指文件系统管理的物理存储资源不一定直接连接在本地节点上，而是通过计算机网络与节点（节点可简单的理解为一台计算机）相连；

常见的有： GFS、HDFS、Lustre 、Ceph 、GridFS 、mogileFS、TFS、FastDFS等。各自适用于不同的领域。它们都不是系统级的分布式文件系统，而是应用级的分布式文件存储服务。

文件系统是一个很庞大的概念，这里只是很简单的一个介绍。

二、HDFS文件系统

HDFS是大数据系统的基础，它提供了基本的存储功能， HDFS的思想很简单，就是namenode负责数据存储位置的记录，datanode负责数据的存储。使用者client会先访问namenode询问数据存在哪，然后去datanode存储；写流程也基本类似，会先在namenode上询问写到哪，然后把数据存储到对应的datanode上。所以namenode作为整个系统的灵魂，一旦它挂掉了，整个系统也就无法使用了。

1、 这里有几个概念：

namenode：主节点，主要负责HDFS集群的管理以及元数据信息管理

datanode：从节点，主要负责存储用户数据

secondaryNameNode：辅助namenode管理元数据信息，以及元数据信息的冷备份

注：怎么去理解元数据，最简单的一个比喻，我们在windows系统中，在一个文件上鼠标右键选择属性所显示的内容就是元数据，简单说就是描述文件名称、位置、大小等信息的数据。HDFS系统正是通过namenode来保存文件在哪里，有多大，权限等等属性的。

2、HDFS的存储空间

HDFS文件系统

通过上图，我们可以看出，HDFS的总存储容量，是集群中所有的磁盘相加的和，比如上图中，HDFS对上层应用系统提供了共60T的空间，上层应用不需要知道自己保存的文件具体在那一台服务器上。

三、HDFS存储的原理

在Hadoop中，一个文件被划分成大小固定的多个文件块，分布的存储在集群中的节点中。我们将这个划分的块称之为:block，block块的大小可以通过hdfs-site.xml当中的配置文件进行指定。在hadoop1当中，文件的block块默认是64M，hadoop2、3默认是128M。

HDFS多副本存储示意图

通过上图，我们可以看出几个概念：

1、blocak划分：一个300M的文件，按128M的划分，被分成了三块，分别是blk1、blk2、blk3，

2、副本：我们可以看出第一个block块，都有三个副本，分别存在同一集群的不同的机器上，（注意：副本数可以根据配置文件设置）

注： 如果有一个文件大小为1KB，也是要占用一个block块，但是实际占用磁盘空间还是1KB大小。所以，HDFS不适合存储小文件的场景，比如：我们应用系统中的一些附件上传，通常文件都不会太大（小于64M），所以，就不适用使用HDFS来存储。

提一个问题：为什么我们不能通过修改配置文件，来让HDFS适用于存储小文件。（提示：和namenode有关，namenode的数据量会非常大）。

四、HDFS架构

先盗一张图来看看，网上基本上都用这张图来说事：

HDFS架构示意

HDFS集群包括，NameNode和DataNode以及Secondary Namenode。

• NameNode:负责管理整个文件系统的元数据，包括hdfs目录树、每个文件有哪些块、每个块存储在哪些datanode
• DataNode: 负责管理用户的文件数据块，每一个数据块都可以在多个datanode上存储多个副本。
• Secondary NameNode:用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。最主要作用是辅助namenode管理元数据信息