一、基本概念

1、HDFS介绍

HDFS是Hadoop Distribute File System（分布式文件系统）的简称。是Hadoop核心组件之一，作为最底层的分布式存储服务而存在。

解决问题：大数据存储。是横跨在多台计算机上的存储系统。分布式文件系统为存储和处理超大规模数据提供所需的扩展能力。

传统存储模式到HDFS的历程：

1）传统存储，上传/下载耗时；

2）传统存储遇到存储瓶颈时，纵向扩展加磁盘加内存，但始终有上限；

3）继而进行横向扩展，增加服务器。对文件分割成更小的块，每个块放到不同的服务器进行分布式存储（datanode）。这解决了上传的问题，但是读取文件成本变高。所以需要一个记录文件切割及保存在哪里的相关信息（namenode）；

4）且如果其中一个宕机挂掉了，那么就无法读取。为了解决单点故障，可以把文件进行备份存储（snn）。

datanode，存放数据的

namenode，记录数据的位置

snn，数据备份

整个集群加起来就是HDFS

2、HDFS设计目标

1、硬件故障时常态。故障的检测和自动快速恢复；

2、HDFS被设计成时候批量处理，而不是用户交互式的。注重数据访问的高吞吐量；

3、支持大文件，GB到TB级别；

4、write-one-red-many，一次写入多次读取；

5、移动计算的代价比移动数据的代价低；

6、在异构的硬件和软件平台上的可移植性。

二、HDFS重要特性

首先它是一个文件系统，用于存储文件，通过统一的命名空间目录树来定位文件。其次它是分布式的，有很多服务器联合起来实现其功能，集群中的服务器有各自的角色，

1、master/slave架构（主从架构）

一般HDFS集群是有一个namenode和一定数量的DataNode组成，NameNode是集群主节点，DataNode是集群从节点。2种角色各司其事，协调完成分布式文件存储服务。

2、分块存储

HDFS的文件在物理上是分块存储的。块的大小通过配置参数来决定。默认是128M（Hadoop2.x版本）。

3、名字空间（NameSpace）

HDFS支持传统的层次型文件组织结构。NameNode负责维护文件系统的名字空间。任何文件系统名字空间或属性的修改都将被namenode记录下来。HDFS会给客户端提供一个统一抽象目录树，客户端通过路径来访问文件，例如：hdfs://namede:port/dir-a/dir-b/dir-c/file.data。

4、Namenode元数据管理

元数据：目录机构及文件分块位置信息叫元数据。namenode负责维护整个HDFS文件系统的目录树结构，以及每个文件对于的block快信息（block的id，所做的DataNode服务器）

5、DataNode数据存储

文件的各个block具体存储管理有DataNode节点承担。每个block都可以在多个DataNode上。DataNode需要定时想namenode汇报自己持有的block信息。存储多个副本（副本数量也可以通过参数设置dfs.replication,默认是3）。注意：常说的副本个数一般要连同自己本身

6、副本机制

为了容错，文件的所有block都会有副本。每个文件的block大小和副本系数都是可配置的。应用程序可以指定某个文件的副本数据。副本系统可以在文件创建的时候指定，也可以在之后改变。

7、一次写入，多次读出

HDF不支持文件的修改。正因为如此，HDFS适合用来做大数据分析的底层存储服务，并不适用来做网盘等。因为修改不方便，延迟大，网络开销大，成本太高。

三、HDFS基本操作

1、Shell命令行客户端

hadoop fs <args>

文件系统shell包括与Hadoop已经Hadoop支持的其他系统（如本地FS,HFTP FS,S3 FS等）直接交互的各类类似shell的命令。

四、HDFS基本原理

1、NameNode

1）是HDFS的核心

2）又称为Master

3）NameNode仅存储HDFS的元数据：文件系统中所有文件的目录树，并跟踪给整个集群中的文件

4）NameNode不存储实际数据或数据集。数据本身实际存储在DataNodes中。

5）namenode知道HDFS中任何给定的文件的块列表及其位置。使用此信息namenode知道如何从块中构建文件。（如果不知道，那么存储服务就是失败的）

6）为了提高响应效率。元数据保存在内存当中，对元数据做定时备份。NameNode并不会持久化存储每个文件中各个块所在的DataNode位置（不会保存在日志当中，也不会保存在镜像当中，只会在内存元素中有），这些信息会在系统启动时草赶时间节点重建。

7）NameNode对于HDFS至关重要，当NameNode关闭时，HDFS/Hadoop集群无法访问。

8）NameNode是Hadoop集群中的单点故障。单独故障：它如果出了问题，其他不可以用。

9）NameNode所在集群通常会配置大量内存（RAM）

2、DataNode

1）DataNode负责将实际数据存储在HDFS中。

2）DataNode也称为slave。

3）DataNode和NameNode

4）DataNode启动时，它将腹部自己到namenode，并汇报自己负责持有的块列表。

5）当某个DataNode关闭时，不加影响数据或集群可用性。DataNode将安排其他DataNode管理的块进行副本复制。

6）DataNode所在机器通常配置大量硬盘空间。因为实际数据存储在DataNode中。

7）DataNode会定金（dfs.heartbeat.interval配置项配置，默认3s）想namenode发送心跳，如果namenode长时间没收到心跳，namenode就会认为该DataNode失效。

8）block汇报持有块，汇报时间间隔取参数dfs,blockreport.intervaIMsec，默认6小时

五、HDFS工作机制

NameNode（1个）负责整个文件系统元数据；DataNode（可能多个）负责管理具体文件数据块存储；Secondary NameNode（理解为秘书）协助NameNode进行元数据备份。

HDFS的内容部工作机制对客户端保持透明，客户端请求访问HDFS都是通过向namenode申请来进行。

六、HDFS数据流程

七、案例：Shell定时采集数据至HDFS

    一般日志文件生成的逻辑有业务系统决定，比如每小时滚动一次，或者一定大小滚动一次，避免单个日志文件多大不方便操作。

    比如滚动后的文件命名为access.log.x，其中x为数字。正在进行写的日志文件叫access.log。这样的话，如果日志文件后缀有数字的，就满足上传条件，就把这些文件移动到准备上传的工作区间目录（比如叫toupoad）。工作区间有文件夹之后，可以试用Hadoop put命名将文件上传。