1.HDFS前言
HDFS:Hadoop Distributed File System，Hadoop分布式文件系统，主要用来解决海量数据的存储问题。
设计思想
- 分散均匀存储 dfs.blocksize = 128M
- 备份冗余存储 dfs.replication = 3
在大数据系统中作用
为各类分布式运算框架（如：MapReduce,spark，hive.....）提供数据存储服务。
重点概念
数据切块、副本存放、元数据
2.HDFS的概念和特性
概念
重要特性
- HDFS中的文件在物理上是分块存储（block）,块的大小可以通过配置参数（dfs.blocksize）来规定，默认大小在hadoop2.x版本中是128M，老版本中是64M。
- HDFS文件系统会给客户端提供一个统一的抽象目录树，客户端通过路径来访问文件，形如：hdfs://namenode:port/dir-a/dir-b/dir-c/file.data
- 目录结构及文件分块信息（元信息）的管理由NameNode结点承担
namenode是HDFS集群主节点，负责维护整个hdfs文件系统的目录树，以及每一个路径（文件）所对应的block块信息（block的id，及其所在的datanode服务器） - 文件的各个block的存储管理由datanode结点承担。
datanode是HDFS集群从结点，每一个block都可以在多个datanode上存储多个副本，副本数量也可以通过参数设置（dfs.replication）
5.HDFS是设计成适应一次写入，多次读出的场景，且不支持文件的修改。
注：适合用来做数据分析，并不适合用来做网盘应用，因为不便修改，延迟大，网络开销大，成本太高
图解HDFS
通过上面的描述，hdfs有很多特点：
- 保存多个副本，且提供容错机制，副本丢失或宕机自动恢复。（默认存3份）
- 运行在廉价的机器上
- 适合大数据的处理。HDFS默认会将文件分割成block,在hadoop2.x以上版本默认128M为1个block。然后将block按照键值对的方式存储在HDFS上，并将键值对的映射存储到内存中。如果小文件太多，那内存的负担会很重。
如上图所示，HDFS也是按照Master和Slave的结构。分为NameNode(NN)、SecondaryNameNode、DataNode（DN）这几个角色。
- 热备份：b是a的热备份。如果a坏掉，那么b马上运作代替a的工作。
- 冷备份：b是a的冷备份。如果a坏掉，那么b上存储a的一些信息，减少a坏掉之后的损失。
HDFS的局限性
1.低延时数据访问。在yoghurt交互性的应用上，应用需要在ms或者几个s的时间内得到响应。由于HDFS为高吞吐率做了设计，也因此牺牲了快速响应。对于低延时的应用，可以考虑HBase或者Cassandra。
2.大量的小文件。标准的HDFS数据块的大小是128M（2.x），存储小文件并不会浪费实际的存储空间，但是无疑会增加在NameNode上的元数据。大量的小文件会影响整个集群的性能。
Btrfs为小文件做了优化-inline file，对于小文件有很好的空间优化和访问时间优化。
3.多用户写入、修改文件。HDFS的文件只能有一个写入者，而且写操作只能在文件结尾以追加的方式进行。它并不支持多个写入者，也不支持在文件写入后，对文件的任意位置的修改。
HDFS 保证可靠性的措施
1.冗余备份：每个文件存储成一系列数据块（Block）。为了容错，文件的所有数据块都会有副本（副本数量即复制因子，dfs.replication）。
2.副本存放：采用机架感知（Rak-aware）的策略来改进数据的可靠性、高可用和网络带宽的利用率。
3.心跳检测：NameNode周期性地从集群种的每一个DataNode接收心跳包和块报告，收到心跳包说明该DataNode工作正常。
4.安全模式：系统启动时，NameNode会进入安全模式。此时不允许出现数据块的写操作。
5.数据完整性检测：HDFS客户端软件实现了对HDFS文件内容的校验（CheckSum）和检查（dfs.bytes-per-checksum）。
单点故障（单点失效）问题
单点故障问题
如果NameNode失效，那么客户端或者MapReduce作用均无法读写查看文件。
解决方法 [Hadoop HA(High Availability) ]
1.启动一个拥有文件系统元数据的新NameNode（这个一般不采用，因为复制元数据非常消耗时间）。
2.配置一对活动-备用（Active-Standby）NameNode，活动NameNode失效时，备用NameNode立即接管，用户不会有明显中断的感觉。