HDFS产生背景
大数据背景下，一个操作系统中存不下所有数据，将大量数据分散存储到更多的操作系统管理的磁盘中，为了方便管理和维护，迫切需要一个系统来管理多台机器上的文件，这就是分布式文件管理系统，HDFS只是分布式文件管理系统的一种
HDFS定义
HDFS（Hadoop Distributed Filed System），是一个文件系统，用于存储文件，通过目录树来定位文件，其次，它是分布式的，由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 HDFS的使用场景：适合一次写入，多次读出的场景。一个文件经过创建，写入和关闭后就不需要改变
HDFS优点
- 高容错性：数据自动保存多个副本，通过增加副本的形式，提高容错性。某一个副本丢失后可以自动恢复
- 适合处理大数据：数据规模可达GB，TB甚至PB。文件规模可达百万以上
- 可构建在廉价机器上，通过多副本机制，提高可靠性
HDFS缺点
- 不适合低延时数据访问：无法像mysql等的毫秒级的存储数据
- 无法高效的对大量小文件进行存储：存储大量小文件会占用NameNode大量的内存来存储文件目录和块信息，而NameNode的内存有限，不适合存储大量小文件。同时，小文件存储的寻址时间会超过读取时间，违反了HDFS的设计目标
- 不支持并发写入，文件随机修改：一个文件只能有一个写，不允许多个线程同时写，而且，
仅支持数据append(追加)，不支持文件随机修改
HDFS组织结构
- NameNode(nn)：就是Master，是一个主管，管理者
管理HDFS的名称空间 配置副本策略 管理数据块(Block)映射信息 处理客户端读写请求
- DataNode(dn)：就是Slave。NameNode下达命令，DataNode执行实际的操作
存储实际的数据块 执行数据块的读/写操作
- Client：就是客户端
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，然后进行上传 与NameNode交互，获取文件的位置信息 与DataNode交互，读取或写入数据 Client提供一些命令来管理HDFS，比如NameNode格式化 Client可以通过一些命令来访问HDFS，比如对HDFS增删改查操作
- Secondary NameNode(2nn)：并非NameNode的热备。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，比如定期合并Fsimage和Edits，并推送给NameNode 在紧急情况下，可以辅助恢复NameNode
HDFS文件块大小
HDFS中的文件在物理上是分块存储，块的大小可以通过配置参数(dfs.blocksize)来规定，默认大小在Hadoop2.x/3.x版本中是128M，1.x版本中是64M 如果寻址时间约为10ms，即查找到目标block的时间为10ms 寻址时间为传输时间的1%时，为最佳状态此时，传输时间=1s 而目前磁盘的传输速率普遍为100MB/s
思考：为什么块的大小不能设置太大或太小 HDFS块设置的太小，会增加寻址时间，程序一直在找块的开始位置 HDFS块设置的太大，从磁盘传输数据的时间会明显大于定位这个块开始时间所需的时间，导致程序处理这块数据时，会很慢。 总结：块大小设置取决于磁盘传输速率