原创 Hadoop HDFS分布式文件系统原理及应用介绍

HDFS有着高容错性特点，且设计用来部署在低廉的硬件上，提供高吞吐量来访问应用程序的数据，适合那些有着超大数据集的应用程序。HDFS放宽了POSIX的要求，可以实现流的形式访问文件系统中的数据。

Hadoop分布式文件系统HDFS是一种被设计成适合运行在通用硬件上的分布式文件系统。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。它能提供高吞吐量的数据访问非常适合大规模数据集上的应用。

HDFS概念

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

HDFS采用主从结构模型，一个HDFS集群是由一个NameNode和若干个DataNode组成的。其中NameNode作为主服务器，管理文件系统的命名空间和客户端对文件的访问操作；集群中的DataNode管理存储的数据。

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。