任务1 HDFS入门
关键步骤如下。
认知文件系统以及HDFS文件系统。
了解HDFS文件系统存储的优缺点。
认识HDFS的基本概念。
掌握HDFS的体系架构。
2.1.1 认识HDFS
1.HDFS产生背景
我们在上一章已经了解到当今世界产生的数据量越来越大，那么与之相对应的需要存储和处理的数据量也就越来越大。我们平时使用的操作系统的存储空间是有限的，根本存储不了那么多的数据，那么是否能把多个操作系统综合成为一个大的操作系统，然后把数据存储在这个大的系统中呢？这种方法其实是可行的，但却不方便管理和维护。因此，迫切需要一种系统来管理分散存储在多台机器上的文件，于是就产生了分布式文件管理系统（Distributed File System，DFS）。
那么到底什么是分布式文件系统？分布式文件系统允许将一个文件通过网络在多台主机上以多副本（提高容错性）的方式进行存储，实际上是通过网络来访问文件，用户和程序看起来就像是访问本地的磁盘一样。
2.HDFS简介
HDFS（Hadoop Distributed File System）是Hadoop项目的核心子项目，用于分布式计算中的数据存储。Hadoop官方给出的描述是：HDFS可以运行在廉价的服务器上，为海量数据存储提供了高容错、高可靠性、高可扩展性、高获得性、高吞吐率等特征。说到HDFS，就不得不提Google的GFS，HDFS就是基于它的开源实现。
Hadoop整合了众多的底层文件系统，如本地文件系统、HDFS文件系统、S3文件系统，并提供了一个文件系统抽象类org.apache.hadoop.fs.File System，对应的具体实现类如表2-1所示。
表2-1 Hadoop的文件系统
Hadoop提供了许多文件系统的接口，用户可以使用URI方案选取合适的文件系统来实现交互。
3.HDFS的优点
（1）处理超大文件。这里的超大文件通常是指MB到TB量级的数据文件，Hadoop并不怕文件大；相反，如果HDFS中存在众多的小文件，那么反而会导致Hadoop集群的性能有所下降。
（2）运行于廉价机器上。Hadoop集群可以部署在普通的廉价机器之上，而无需部署在价格昂贵的小型机上，这可以降低公司的运营成本。但要是运行在廉价的机器上，出现故障该怎么办呢？这就要求HDFS自身要做到高可用、高可靠。
（3）流式地访问数据。HDFS提供一次写入、多次读取的服务。比如你在HDFS上存储了一个要处理的问题，后续可能会有多个作业都要使用到这份数据，那么只需要通过集群来读取前面已经存储好的数据即可。HDFS设计之初是不支持对文件追加内容的，但随着Hadoop社区的发展，现在已支持对已有文件进行内容的追加。
4.HDFS的缺点
（1）不适合低延迟数据访问。HDFS本身是为存储大数据而设计的，如果你在工作中遇到的是低延时的应用请求，那么HDFS不适合。实时性、低延迟的查询使用HBase会是更好的选择，但是HBase中的rowkey设计得是否合适也会决定你的查询性能的高低。
（2）无法高效存储大量小文件。HDFS中的元数据（元数据信息包括：文件和目录自身的属性信息，例如文件名、目录名、父目录信息、文件大小、创建时间、修改时间等，记录与文件内容存储相关的信息，例如文件块情况、副本个数、每个副本存放在哪儿等）存放在Name Node中，所以HDFS所能容纳的文件数目由Name Node的内存大小决定。一旦集群中的小文件过多，会导致Name Node的压力陡增，进而影响到集群的性能。所以可以采用Sequence File等方式对小文件进行合并，或者是使用Name Node Federation的方式来改善。
5.HDFS的设计目标
HDFS的设计目标的详细描述可以参考Hadoop的官方文档：http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/Hdfs Design.html#Introduction。本节只挑选几个重要的设计目标进行讲解。
（1）硬件错误。硬件错误是常态而不是异常。HDFS可能由成百上千个服务器所构成，每个服务器上存储着文件系统的部分数据。事实上构成系统的组件数目是非常巨大的，而且任一个组件都有可能失效，这意味着总有一部分HDFS组件是不工作的。因此错误检测和快速、自动的恢复是HDFS最核心的架构目标。
（2）大规模数据集。运行在HDFS上的应用具有很大的数据集。HDFS上的一个典型文件的大小一般都在GB至TB量级。因此，需要调节HDFS以支持大文件存储。HDFS应该能提供整体较高的数据传输带宽，能在一个集群里扩展到数百个节点。一个单一的HDFS实例应该能支撑数以千万计的文件。
（3）移动计算代价比移动数据代价低。一个作业的计算，离它操作的数据越近就越高效，在数据达到海量级别的时候更是如此。因为这样能降低网络阻塞的影响，提高系统数据的吞吐量。将计算移动到数据附近，比将数据移动到应用附近显然更好。HDFS为应用提供了将计算移动到数据附近的接口。
2.1.2 HDFS基础
HDFS体系结构
1.数据块（Block）
HDFS默认的最基本的存储单位是数据块（Block），默认的块大小（Block Size）是64MB（有些发布版本为128MB）。HDFS中的文件是分成以Block Size为大小的数据块存储的。如果一个文件小于一个数据块的大小，并不占用整个数据块存储空间，文件大小是多大就占用多少存储空间。HDFS与Block的关系如图2.1所示。
图2.1 HDFS与Block的关系
2.元数据节点（Name Node）
Name Node的职责是管理文件系统的命名空间，它将所有的文件和文件夹的元数据保存在一个文件系统树中，如一个文件包括哪些数据块，这些数据块分布在哪些数据节点上，这些信息都要存储下来。
Name Node目录结构如下所示。
${dfs.name.dir}/current/VERSION
/edits
/fsimage
/fstime
目录结构描述如下。
（1）VERSION文件是存放版本信息的文件，它保存了HDFS的版本号。
（2）edits：当文件系统客户端进行写操作时，首先记录在修改日志中，元数据节点在内存中保存了文件系统的元数据信息。在记录了修改日志后，元数据节点则修改内存中的数据结构。每次写操作成功之前，修改日志都会同步到文件系统。
（3）fsimage文件即名字空间文件。
3.数据节点（Data Node）
Data Node是文件系统中真正存储数据的地方，一个文件被拆分成多个Block后，会将这些Block存储在对应的数据节点上。客户端向Name Node发起请求，然后到对应的数据节点上写入或者读出对应的数据Block。
Data Node目录结构如下所示。
${dfs.name.dir}/current/VERSION
/blk_<id_1>
/blk_<id_1>.meta
/blk_<id_2>
/blk_<id_2>.meta
/...
/blk_<id_64>
/blk_<id_64>.meta
/subdir0/
/subdir1/
/...
/subdir63/
目录结构描述如下。
（1）blk_<id>保存的是HDFS的数据块，其中保存了具体的二进制数据。
（2）blk_<id>.meta保存的是数据块的属性信息：版本信息、类型信息和校验和。
（3）subdirxx：当一个目录中的数据块达到一定数量的时候，则创建子文件夹来保存数据块及数据块属性信息。
4.从元数据节点（Secondary Name Node）
Secondary Name Node并不是Name Node节点出现问题时的备用节点，它和元数据节点分别负责不同的功能。其主要功能就是周期性地将Name Node的namespace image和edit log合并，以防日志文件过大。合并后的namespace image也在元数据节点保存了一份，以防在Name Node失效的时候进行恢复。
Secondary Name Node目录结构如下所示。
${dfs.name.dir}/current/VERSION
/edits
/fsimage
/fstime
/previous.checkpoint/VERSION
/edits
/fsimage
/fstime
Secondary Name Node用来帮助Name Node将内存中的元数据信息checkpoint到硬盘上。
2.1.3 HDFS架构
1.架构概述
HDFS架构详细描述参见http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-hdfs/Hdfs Design.html#Name Node_and_Data Nodes。
HDFS采用master/slave架构。一个HDFS集群由一个Name Node和一定数量的Data Node组成。Name Node是一个中心服务器，负责管理文件系统的名字空间（namespace）以及客户端对文件的访问。集群中的Data Node一般是一个节点对应一个，负责管理它所在节点上的存储数据。HDFS暴露了文件系统的名字空间，用户能够以文件的形式在上面存储数据。从内部看，一个文件其实被分成一个或多个数据块，这些块存储在一组Data Node上。Name Node执行文件系统的名字空间操作，比如打开、关闭、重命名文件或目录，它也负责确定数据块到具体Data Node的映射。Data Node负责处理文件系统客户端的读写请求，在Name Node的统一调度下进行数据块的创建、删除和复制。HDFS架构如图2.2所示。
2.架构组件功能
Name Node和Data Node被设计成可以在普通的商用机器上运行，这些机器一般运行着GNU/Linux操作系统（OS）。由于采用了可移植性极强的Java语言，HDFS可以部署到多种类型的机器上，任何支持Java的机器都可以部署Name Node或Data Node。一个典型的部署场景是一台机器上只运行一个Name Node实例，而集群中的其他机器分别运行一个Data Node实例。这种架构并不排斥在一台机器上运行多个Data Node，只不过这样的情况比较少见。
图2.2 HDFS架构
文件系统的名字空间：HDFS支持传统的层次型文件组织结构。用户或者应用程序可以创建目录，然后将文件保存在这些目录里。文件系统名字空间的层次结构和大多数现有的文件系统类似，用户可以创建、删除、移动或重命名文件。当前，HDFS不支持用户磁盘配额和访问权限控制，也不支持硬链接和软链接。但是HDFS架构并不妨碍对这些特性的实现。
Name Node负责维护文件系统的名字空间，任何对文件系统名字空间或属性的修改都将被Name Node记录下来。应用程序可以设置HDFS保存的文件的副本数目，文件副本的数目称为文件的副本系数，这个信息也是由Name Node保存的。