(八) Hadoop-HDFS起源发展及设计目标

原创张晓璞 2022-04-22

1807

HDFS简介

HDFS它并不是一个单词，而是一连串单词的缩写（Hadoop Distributed File System ），意为：Hadoop分布式文件系统。不管我们用多少词汇修饰他，关键词就是文件系统，就是用来存储文件的，只不过他是一个分布式的文件系统，就意味着横跨多台机器。
HDFS系统作为Apache Hadoop三大核心组件之一，十分的关键，处于hadoop整个生态圈的最底层，因为大数据第一个要解决的就是海量数据存储的问题，如果连存储都没有解决掉，所有的分析、应用又从何谈起呢，所以他的地位非常重要。

HDFS主要是解决大数据如何存储问题的。分布式意味着是HDFS是横跨在多台计算机上的存储系统。
HDFS是一种能够在普通硬件上运行的分布式文件系统，它是高度容错的，适应于具有大数据集的应用程序，它非常适于存储大型数据(比如TB 和PB)。
HDFS使用多台计算机存储文件, 并且提供统一的访问接口, 像是访问一个普通文件系统一样使用分布式文件系统。

分布式就意味着多台机器，我们看一下上图，左边就是hdfs的客户端，client代表我们大的用户，右边是一个namenode带领5个datanode构成了一个一主多从的分布式架构，整个hdfs虽然是运行在多个机器上，但是它对外只提供了一个访问的入口，这样就使得用户层面上，看到的hdfs结构很像我们传统的文件目录树结构，降低了用户使用的难度，但是注意，虽然这时候看起来hdfs像一个单机系统，但其实，他是一个分布式文件系统。

HDFS起源发展

我们的卡大爷Doug Cutting领导Nutch项目研发，Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能。随着爬虫抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。这个问题其实谷歌也遇到了，但是谷歌并不开源，它在2003年的时候, 发表的论文为该问题提供了可行的解决方案。

《分布式文件系统（GFS），可用于处理海量网页的存储》
Nutch的开发人员完成了相应的开源实现HDFS，并从Nutch中剥离和MapReduce成为独立项目HADOOP。

HDFS设计目标

我们想使用一个软件，它到底好还是不好，用起来怎么样，就是这款软件的设计目标决定的。就比如我们去网上买一个玻璃水壶，然后设计目标告诉我们，这个水壶只能承受不超过80度的热水，如果超过就爆炸，当我们看到这个说明，就知道了适合哪里用。hdfs也一样，接下来我们一起来看一下HDFS设计目标的问题，卡大爷团队在设计之初就有一些目标，到底存大数据，还是小数据等等，所以有几个重要的概念需要大家去理解，一起来看一下他的设计目标：

硬件故障（Hardware Failure）是常态，HDFS可能有成百上千的服务器组成，每一个组件都有可能出现故障。因此故障检测和自动快速恢复是HDFS的核心架构目标。
HDFS上的应用主要是以流式读取数据（Streaming Data Access）。HDFS被设计成用于批处理，而不是用户交互式的。相较于数据访问的反应时间，更注重数据访问的高吞吐量。
典型的HDFS文件大小是GB到TB的级别。所以，HDFS被调整成支持大文件（Large Data Sets）。它应该提供很高的聚合数据带宽，一个集群中支持数百个节点，一个集群中还应该支持千万级别的文件。

简单来理解，分布式系统最怕的就是某个机器出问题，或者硬盘挂掉，所以我们的hdfs系统内存的文件一定要安全，设置各种冗余保证数据有备份能恢复。第二个就是hdfs系统适合大吞吐量的存储，忽视的是数据的访问时间，也就是说，我们访问数据的延迟会比较高，没有实时的交互性，也就是说，你的数据越大，hdfs越开心，数据越小，越麻烦。

大部分HDFS应用对文件要求的是write-one-read-many访问模型。一个文件一旦创建、写入、关闭之后就不需要修改了。这一假设简化了数据一致性问题，使高吞吐量的数据访问成为可能。
移动计算的代价比之移动数据的代价低。一个应用请求的计算，离它操作的数据越近就越高效。将计算移动到数据附近，比之将数据移动到应用所在显然更好。
HDFS被设计为可从一个平台轻松移植到另一个平台。这有助于将HDFS广泛用作大量应用程序的首选平台。

write-one-read-many是一个关键的设计要点，hdfs认为，大的数据一旦存储，就不用再去修改了，接下来就是各种的读取，各种的分析，既然是这样的场景，那么hdfs就不支持文件修改。可以上传，可以追加，可以删除，就是不能修改，不是因为技术实现不了，而是因为设计的时候，就没有追求这个点。
数据比较大的时候，它认为数据移动很费时间，我们可以吧程序移动过来，还支持我们不同平台之间的移植。

了解了他的设计目标之后，我们在使用的时候一定要想明白他的优点缺点等等。