Hadoop 入门笔记—核心组件 HDFS

作者：幻好

来源：恒生LIGHT云社区

基本概念

HDFS (Hadoop Distributed File System) 是 Hadoop 下的分布式文件系统，具有高容错、高吞吐量等特性，可以部署在低成本的硬件上。

首先，通过名字就能很清楚的明白 HDFS 在 Hadoop 中是应该文件存储的组件。

HDFS 的设计之初，主要是考虑到在数据量的不断增长的环境下，由于受制单机资源有限，为了保证系统能够提供高可用、高可靠性以及高扩展等要求，于是通过分布式架构，以达到响应的需求。

核心架构

HDFS 的主要架构分为三个部分：NameNode（nn）、DataNode(dn) 、Secondary NameNode(2nn)。

NameNode（nn）

• 存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。

可以理解系统的文件资源管理器，方便我们查询文件存储位置以及相关属性信息。

DataNode(dn)

• 负责提供来自文件系统客户端的读写请求，执行块的创建，删除等操作。

可以理解为通过 NameNode 是存储一些文件基本属性信息方便我们查询，而 DataNode 则是存储文件数据的。

Secondary NameNode(2nn)

• 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

Secondary NameNode 可以理解为 NameNode 的备份，如果 NameNode 都挂了，Secondary NameNode 的备份还能继续提供服务

一个 HDFS 集群由一个 NameNode 和一些 DataNode 组成， NameNode 相当于控制中心，负责管理文件系统的名字空间、数据块与数据节点的映射以及数据节点的调度。 DataNode 则负责处理实际的客户端读写的请求，存储数据。

运行原理

写数据

• 首先客户端向NameNode 发起RPC 请求创建文件；

• NameNode 会校验用户权限并查询文件是否存在，最终创建一条元数据信息并返回存储的DataNode 信息给客户端；

• 客户端开始向DataNode 上传数据，DataNode 会对数据进行切分并完成副本的创建；

• 然后DataNode 会将数据复制到其他的节点上;

• 直到所有的节点完成后，返回上传成功，关闭连接。

读数据

• 首先客户端通过RPC 调用NameNode 的查询方法；

• NameNode 会校验用户权限并查询文件是否存在，并将文件保存在DataNode 的节点返回；

• 客户端向返回的DataNode 发起读取的请求，获取数据；

• 当所有的数据读取完成后，资源关闭。

优缺点

优点：

• 能够处理较大文件，如 MB 到 TB。

• 能够部署在廉价服务器上，对性能要求不高，具有较高容错性。

• 能够对已存储内容进行追加存储内容

缺点：

• 访问延迟较高，不适合应用在低延迟场景

• 不适合大量较小文件存储，会耗费较多资源。

总结

HDFS 的设计保证了系统的高可用、高扩展等要求，虽然也有弊端，但是我们应该根据切实的业务需求，选择最合适的技术方案。

HDFS 通过其良好的跨平台移植性，使得其他大数据计算框架都将其作为数据持久化存储的首选方案。