《商务大数据分析与应用》课件——3-3-2 认识大数据文件系统HDFS.pptxVIP

PART01认识HDFS分布式文件系统（DistributeFileSystem）是一种允许文件通过网络在多台主机上分享的文件的系统，可让多机器上的多用户分享文件和存储空间。HDFS（HadoopDistributeFileSystem）是Hadoop的一个分布式文件系统，Hadoop应用程序使用的主要分布式存储。

HDFS简介Hadoop分布式文件系统（HDFS）被设计成适合运行在通用硬件上的分布式文件系统。HDFS体系结构中有两类节点NameNode名称节点承担Master具体任务的执行DataNode数据节点承担Worker具体任务的执行总的设计思想：分而治之，将大文件、大批量文件，分布式存放在大量独立的服务器上，以便于采取分而治之的方式对海量数据进行运算分析。

HDFS简介HDFS是一个主/从体系结构HDFS集群拥有一个NameNode和一些DataNode。NameNode管理文件系统的元数据，DataNode存储实际的数据。HDFS一般是用来“一次写入，多次读取”，不适合做实时交互性很强的事情，不适合存储大量小文件。

HDFS基本原理文件系统是操作系统提供的磁盘空间管理服务，只需要我们制定把文件放到哪儿，从哪个路径读取文件就可以了，而不需要关心文件在磁盘上是如何存放的。

文件系统的问题当文件所需空间大于本机磁盘空间时，应该如何处理呢？1加磁盘，但是加到一定程度就有限制了2加机器，把不同文件放入不同的机器中，空间不足了可继续加机器，突破了存储空间的限制。

文件系统的问题传统的分布式文件系统存在多个问题：各个存储节点的负载不均衡，单机负载可能极高。数据可靠性低。文件管理困难。

HDFS的解决思路HDFS是个抽象层，底层依赖很多独立的服务器，对外提供统一的文件管理功能。对于用户来讲，感觉就像文件系统运行在单一服务器上，感受不到HDFS下面的多台服务器。HDFS基本架构

HDFS的解决思路为了解决存储节点负载不均衡的问题。HDFS首先把一个文件分割成多个块，然后再把这些文件块存储在不同服务器上。这种方式的优势就是不怕文件太大，并且读文件的压力不会全部集中在一台服务器上，从而可以避免某个热点文件会带来的单机负载过高的问题。

HDFS的解决思路例如：用户需要保存一个文件/a/b/xxx.avi。HDFS首先会把这个文件进行分割，例如分为4块，然后分别存放到不同服务器上。

HDFS的解决思路但是如果某台服务器坏了，那么文件就读不全了。如果磁盘不能恢复，那么存储在上面的数据就会丢失。为了保证文件可靠性，HDFS会把每个文件块进行多个备份，一般情况下是3个备份。假如：要在由4台分别为服务器A、B、C和D的存储节点组成的HDFS上存储文件/a/b/xxx.avi，那么，为了保证文件的可靠性，HDFS会怎么做呢？

HDFS的解决思路块1：ABC块2：ABD块3：BCD块4：ACD

HDFS的解决思路采用分块多副本存储方式后，HDFS文件的可靠性就大大增强了，即使某个服务器坏了，也仍然可以完整读取文件；同时还带来一个很大的好处，就是增加了文件的并发访问能力。例如：多个用户读取这个文件时，都要读块1，HDFS可以根据服务器的繁忙程度，选择从哪台服务器读块1。

HDFS的设计理念简单来讲，HDFS设计理念是可以运行在普通机器上，以流式数据方式存储文件，一次写入、多次查询。可构建在廉价机器上高容错性适合批处理适合存储大文件

HDFS的设计理念可构建在廉价机器上HDFS设计理念之一就是让它能运行在普通的硬件之上，即便硬件出现故障，也可以通过容错策略来保证数据的高可用。通过多副本提高可靠性，提供了容错和恢复机制。高容错性由于HDFS可以建立在普通计算机上，节点故障是正常事情。HDFS将数据自动保存多个副本，副本丢失后，自动恢复，实现数据高容错性。

HDFS的设计理念适合批处理也称为流式数据访问。HDFS适合一次写入、多次查询（读取）的情况。在数据集生成后，长时间在此数据集上进行各种分析。每次分析都将涉及该数据集的大部分数据甚至全部数据，因此读取整个数据集的时间延迟比读取第一条记录的时间延迟更重要。适合存储大文件这里说的大文件包含两种意思：一是值文件大小超过100M以及达到GB甚至TB、PB的文件。二是百万规模以上的文件数量。

HDFS的局限HDFS的设计理念是为了满足特定的大数据应用场景，所以HDFS具有一定的局限性，不能适用于所有应用场景。实时性差小文件问题文件修改问题

HDFS的设计理念实时性差要求低时间延迟的访问的应用，不适合在HDFS上运行。HDFS是为高数据吞吐量应用优化的，这可能会以高时间延迟为代价。小文件问题由于NameNode将文件系统的元数据存储在内存中，因此该文件系统所能存储的