HDFS的简单学习

上一篇文章将Hadoop环境搭建完毕，下面我们学习一些HDFS的shell操作以及java api操作，同时理解hdfs的工作原理

HDFS   --->  分布式文件系统   简单说就是把很多数据文件分开放在很多的服务器上，采取分开的方式对很多很多的数据进行分析

 namenode    元数据   大哥

clone

datanade

namenode  元数据   fszmage 镜像(非实时) 备份          edits日志（实时）操作记录      

时间长了会很大      在2里备份前俩     -》合并  成新的fszmage    给第一个，同时擦除第一个edits

查看

 namenode如何扩充内存？被什么限制？是否可以无限制扩充？

一、 Hadoop 特点

　　1、支持超大文件

　　2、检测和快速应对硬件故障

　　在集群环境中，硬件故障是常见性问题。因为有上千台服务器连在一起，故障率高，因此故障检测和自动恢复hdfs文件系统的一个设计目标。假设某一个datanode节点挂掉之后，因为数据备份，还可以从其他节点里找到。namenode通过心跳机制来检测datanode是否还存在

　　3、流式数据访问

　　一般都是批量处理，而不是用户交互式处理，应用程序能以流的形式访问数据库。主要的是数据的吞吐量，而不是访问速度。访问速度最终是要受制于网络和磁盘的速度，机器节点再多，也不能突破物理的局限，HDFS不适合于低延迟的数据访问，HDFS的是高吞吐量。

　　4、简化的一致性模型

　　对于外部使用用户，不需要了解hadoop底层细节，比如文件的切块，文件的存储，节点的管理。

　　一个文件存储在HDFS上后，适合一次写入，多次写出的场景once-write-read-many。因为存储在HDFS上的文件都是超大文件，当上传完这个文件到hadoop集群后，会进行文件切块，分发，复制等操作。如果文件被修改，会导致重新出发这个过程，而这个过程耗时是最长的。所以在hadoop里，不允许对上传到HDFS上文件做修改（随机写），在2.0版本时可以在后面追加数据。但不建议。

　　5、高容错性

　　数据自动保存多个副本，副本丢失后自动恢复。可构建在廉价机上，实现线性（横向）扩展，当集群增加新节点之后，namenode也可以感知，将数据分发和备份到相应的节点上。

　　6、商用硬件

　　Hadoop并不需要运行在昂贵且高可靠的硬件上，它是设计运行在商用硬件的集群上的，因此至少对于庞大的集群来说，节点故障的几率还是非常高的。HDFS遇到上述故障时，被设计成能够继续运行且不让用户察觉到明显的中断。

　　二、HDFS缺点

　　1、不能做到低延迟

　　由于hadoop针对高数据吞吐量做了优化，牺牲了获取数据的延迟，所以对于低延迟数据访问，不适合hadoop，对于低延迟的访问需求，HBase是更好的选择，

　　2、不适合大量的小文件存储

　　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文件总数受限于namenode的内存容量，根据经验，每个文件、目录和数据块的存储信息大约占150字节。因此，如果大量的小文件存储，每个小文件会占一个数据块，会使用大量的内存，有可能超过当前硬件的能力。

　　3、不适合多用户写入文件，修改文件

　　Hadoop2.0虽然支持文件的追加功能，但是还是不建议对HDFS上的 文件进行修改，因为效率低。

　　对于上传到HDFS上的文件，不支持修改文件，HDFS适合一次写入，多次读取的场景。

　　HDFS不支持多用户同时执行写操作，即同一时间，只能有一个用户执行写操作。

　　三、HDFS优点

　　Hadoop是一个能够让用户轻松架构和使用的分布式计算平台。用户可以轻松地在Hadoop上开发和运行处理海量数据的应用程序。它主要有以下几个优点：

　　高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖。

　　高扩展性。Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。

　　高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。

　　高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。

　　低成本。与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低。

　　Hadoop带有用Java语言编写的框架，因此运行在 Linux 生产平台上是非常理想的。Hadoop 上的应用程序也可以使用其他语言编写，比如 C++。

hadoop与传统网盘对比

1.

记得保存配置