1、HDFS
HDFS（Hadoop Distributed File System）是Hadoop項目的核心子項目，是分佈式計算中數據存儲管理的基礎，是基於流數據模式訪問和處理超大文件的需求而開發的，可以運行於廉價的商用服務器上。它所具有的高容錯、高可靠性、高可擴展性、高獲得性、高吞吐率等特徵爲海量數據提供了不怕故障的存儲，爲超大數據集（Large Data Set）的應用處理帶來了很多便利。
2、HDFS
HDFS 源於 Google 在2003年10月份發表的GFS（Google File System） 論文。
3、HDFS的優缺點
優點：
1、高容錯性
數據自動保存多個副本。它通過增加副本的形式，提高容錯性。
某一個副本丟失以後，它可以自動恢復，這是由 HDFS 內部機制實現的，我們不必關心。
2、適合批處理
它是通過移動計算而不是移動數據。
它會把數據位置暴露給計算框架。
3、適合大數據處理
處理數據達到 GB、TB、甚至PB級別的數據。
能夠處理百萬規模以上的文件數量，數量相當之大。
能夠處理10K節點的規模。
4、流式文件訪問
簡化一致性模型，實現一次寫入，多次讀取。文件一旦寫入不能修改，只能追加。
它能保證數據的一致性。
5、可構建在廉價機器上
它通過多副本機制，提高可靠性。
它提供了容錯和恢復機制。比如某一個副本丟失，可以通過其它副本來恢復。
缺點：
1、低延時數據訪問
* 比如毫秒級的來存儲數據，這是不行的，它做不到。
* 它適合高吞吐率的場景，就是在某一時間內寫入大量的數據。但是 它在低延時的情況下是不行的，比如毫秒級以內讀取數據，這樣它 是很難做到的。
2、小文件存儲
*存儲大量小文件(這裏的小文件是指小於HDFS系統的Block大小的文 件（默認64M）)的話，它會佔用 NameNode大量的內存來存儲文 件、目錄和塊信息。這樣是不可取的，因爲NameNode的內存總是有 限的。
*小文件存儲的尋道時間會超過讀取時間，它違反了HDFS的設計目 標。
3、併發寫入、文件隨機修改
*一個文件只能有一個寫，不允許多個線程同時寫。
*僅支持數據 append（追加），不支持文件的隨機修改。
hdfs的特性：
* 高容錯，可擴展性及可配置性強
* 跨平臺
* shell命令接口
* 機架感知功能
* 負載均衡
Web界面
4.HDFS存儲數據
HDFS 採用Master/Slave的架構來存儲數據，這種架構主要由HDFS Client、NameNode、DataNode和Secondary NameNode四個部分組成。
1、Client：就是客戶端。
文件切分。文件上傳 HDFS 的時候，Client 將文件切分成 一個一個的Block，然後進行存儲。
與 NameNode 交互，獲取文件的位置信息。
與 DataNode 交互，讀取或者寫入數據。
Client 提供一些命令來管理 HDFS，比如啓動或者關閉HDFS。
Client 可以通過一些命令來訪問 HDFS。
2、NameNode：就是 master，它是一個主管、管理者。
管理 HDFS 的名稱空間
管理數據塊（Block）映射信息
配置副本策略
處理客戶端讀寫請求。
3、DataNode：就是Slave。NameNode 下達命令，DataNode 執行實際的操作。
存儲實際的數據塊。
執行數據塊的讀/寫操作。
4、Secondary NameNode：並非 NameNode 的熱備。當NameNode 掛掉的時候，它並不能馬上替換 NameNode 並提供服務。
輔助 NameNode，分擔其工作量。
定期合併 fsimage和fsedits，並推送給NameNode。
在緊急情況下，可輔助恢復 NameNode。
工作流程：
secondarynamenode通知namenode切換edits文件
secondarynamenode從namenode獲得fsimage和edits(通過http)
secondarynamenode將fsimage載入內存，然後開始合併edits
secondarynamenode將新的fsimage發回給namenode
namenode用新的fsimage替換舊的fsimage
5.數據損壞處理
* 當DN（DataNode）讀取block的時候，它會計算checksum；
* 如果計算後的checksum，與block創建時值不一樣，說明該block已經損壞。
* client讀取其它DN上的block；NN(NameNode)標記該塊已經損壞，然後複製block達到預期設置的文件備份數；
* DN在其文件創建後三週驗證其checksum。
關注大數據and機器學習公衆號，一起開創未來。
CLbigdata