一、补充（面试常问）：
1.常用端口号
Hadoop3.x：
- HDFS NameNode 内部常用端口号（对内）：8020/9000/9820
- HDFS NameNode 对用户的查询端口（对外）：9870
- Yarn查看任务运行情况的端口：8088
- 历史服务器端口：19888
Hadoop2.x - HDFS NameNode 内部常用端口号（对内）：8020/9000
- HDFS NameNode 对用户的查询端口（对外）：50070
- Yarn查看任务运行情况的端口：8088
- 历史服务器端口：19888
2.常用的配置文件
2.1、Hadoop3.x
2.1.1、core-site-xml
2.1.2、hdfs-site-xml
2.1.3、yarn-site.xml
2.1.4、mapred-site.xml
2.1.5、works
2.2、Hadoop2.x
2.2.2、hdfs-site-xml
2.2.3、yarn-site.xml
2.2.4、mapred-site.xml
2.2.5、slaves
1.HDFS产生的背景及定义
1.1 背景
庞大的数据量迫切的需要一种系统来管理多台机器上的文件，这就是分布式管理系统。HDFS只是分布式文件管理系统的一种。
1.2 定义
HDFS（Hadoop Distributed File System），他是一个文件系统，用于存储文件，通过目录树来定位文件；其次，它是分布式的，有很多服务器联合实现其功能，集群中的服务器各自有各自的角色
HDFS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修改
二、.HDFS的优缺点
1.优点
（1）、高容错性
数据自动保存为多个副本。他通过增加副本的形式，提高容错性
某一个副本丢失后，它可以自动恢复
（2）、适合大数据处理
- 数据规模：能够处理数据规模达到GB、TB、甚至PB级别的数据
- 文件规模： 能够处理百万规模以上的文件数量
（3）、可构建在廉价机器上，通过多副本机制，提高可靠性
2.缺点
（1）不适合低延时数据访问，比如毫秒级的存储数据
（2）无法高效的对大量的小文件进行存储
存储大量小文件的话，它会占用NameNode大量的内存来存储文件目录和块信息。
小文件存储的寻址时间会超过读取时间，他违反了HDFS的设计目标
（3）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
- 仅支持数据追加append，不支持文件的随机修改
三、HDFS的组成
3.1 NameNode（nn）
就是Master，存储着所有数据的相关信息，它是一个主管、管理者
（1）管理HDFS的名称空间
（2）配置副本策略
（3）管理数据块（Block）映射信息
（4）处理客户端读写请求
3.2 DataNode
就是Slave。NameNode下达命令，DataNode执行实际的操作
（1）存储实际的数据块
（2）执行数据块的读/写操作
3.3 Secondary NameNode
并非NameNode的热备。当NameNode挂掉的时候，他并不能马上替换NameNode并提供服务
（1）辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode
（2）在紧急情况下，可辅助恢复NameNode
3.4 Client
就是客户端
（1）文件切分。文件上传到HDFS的时候，Client将文件切分成一个个Block（默认128M一块），然后进行上传
（2）与NameNode交互，获取文件的位置信息；
（3）与DataNode交互，读取或者写入数据；
（4）Client提供一些命令来管理HDFS，比如NameNode格式化；
（5）Client可以通过一些命令来访问HDFS，比如对HDFS增删改查操作；
四、HDFS文件块的大小
HDFS中的文件在物理上是分块存储（Block），块的大小可以通过配置参数（hdfs的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
（1）
（2）如果寻址时间约为10ms，即查找到目标block的时间为10ms
（3）寻址时间为传输时间的1%时，则为最佳状态。因此，传输时间=10ms/0.01=1000ms=1s
（4）目前磁盘的传输速率普遍为100MB/s。
注意：
（1）HDFS的块设置太小，会增加寻址时间，程序一直在找块的位置
（2）HDFS的块设置太大，从磁盘传输数据的时间会明显大于定位这个块开始位置所需要的时间。导致程序在处理这块数据时，会非常慢。
总结：HDFS块的大小设置主要取决于磁盘传输速率
