大数据分布式文件系统HDFS

在现代的企业环境中，单机容量往往无法存储大量数据，需要跨机器存储。统一管理分布在集群上的文件系统称为分布式文件系统。

HDFS

HDFS(Hadoop Distributed File System)是 Apache Hadoop 项目的一个子项目. Hadoop 非常适于存储大型数据 (比如 TB 和 PB), 其就是使用 HDFS 作为存储系统. HDFS 使用多台计算机存储文件, 并且提供统一的访问接口。

HDFS是根据谷歌的论文：《The Google File System》进行设计的

HDFS的四个基本组件:HDFS Client、NameNode、DataNode和Secondary NameNode。

Client

Client是客户端。HDFS Client文件切分。文件上传 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。Client 提供一些命令来管理 和访问HDFS，比如启动或者关闭HDFS。

NameNode

NameNode就是 master，它是一个主管、管理者。管理 HDFS 元数据(文件路径，文件的大小，文件的名字，文件权限，文件的block切片信息)。

NameNode管理 Block 副本策略：默认 3 个副本，处理客户端读写请求。

DataNode

DataNode就是Slave。NameNode下达命令，DataNode 执行实际的操作。

DataNode存储实际的数据块，执行数据块的读/写操作。定时向namenode汇报block信息。

Secondary NameNode

SecondaryNameNode不是NameNode的备份。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。在紧急情况下，可辅助恢复 NameNode。

副本机制

HDFS被设计成能够在一个大集群中跨机器可靠地存储超大文件。它将每个文件存储成一系列的数据块，这个数据块被称为block，除了最后一个，所有的数据块都是同样大小的。

为了容错，文件的所有block都会有副本。每个文件的数据块大小和副本系数都是可配置的。

在hadoop2 当中, 文件的 block 块大小默认是 「128M」(134217728字节)。

如上图所示，一个大小为300M的a.txt上传到HDFS中，需要进行128M的切分，不足128M分为到另一block中。

HDFS基本命令

HDFS 简单使用

根据部署的服务，我们的 HDFS 根目录是 hdfs://192.168.147.128:9820，下面我们尝试在根目录下面创建子目录 user，如下命令所示：

1. [hadoop@node01 ~]$ hadoop fs -mkdir /user 

然后在Hadoop页面打开HDFS。

此时的user文件夹将会看见。

下面将一个大小为300M的文件上传到HDFS的user文件夹中

然后在Hadoop页面看见刚刚上传的文件。

此时被分开了三个block。

点击download，即可下载。

大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。