首先来看看Hadoop 是什么？
Hadoop 是一个开源的大数据框架
Hadoop是一个分布式计算的解决方案
Hadoop = HDFS（分布式文件系统）+ MapReduce（分布式计算）
Hadoop 的两个核心：
HDFS 分布式文件系统：存储是大数据技术的基础
MapReduce 编程模型：分布式计算是大数据应用的解决方案
先来介绍第一个核心 —— HDFS，它有三个特点：
普通的成百上千的机器构成
按TB甚至PB为单位的大量的数据
简单便捷的文件获取
HDFS 的基本概念：
数据块－数据块是抽象块而非整个文件作为存储单元，在 Hadoop1.x 中默认大小是64M，Hadoop2.x 中默认大小是128M，默认每个块备份3份。
由于HDFS是分布式的，也就是主从模式，NameNode 就是主，DataNode 就是从。所以 HDFS 是由一个 NameNode 和多个 DataNode 组成的。
NameNode：
管理文件系统的命名空间，存放文件元数据
维护着文件系统的所有文件和目录，文件与数据块的映射
记录每个文件中各个块所在数据节点的信息（这些信息在 DataNode 启动时会发送给 NameNode）
P.S. 如果 NameNode挂掉了怎么办？（分布式系统存在的问题，后面会讨论这个问题）
DataNode（文件系统的工作节点）：
存储并检索数据块；
向 NameNode 更新所存储块的列表
HDFS 结构图
HDFS 的优点：
适合大文件存储，支持 TB、PB 级的数据存储，并有副本策略
可以构建在廉价的机器上，并有一定的容错和恢复机制
支持流式数据访问，一次写入，多次读取，高效
HDFS 的缺点：
不适合大量小文件存储
不适合并发写入，不支持文件随即修改
不支持随机读等低延时的访问方式
P.S. Hadoop 本来也不是为这些场景设计的，所以到底用不用 Hadoop 要基于具体的业务场景来考虑。
NameNode 挂掉了怎么办？如何解决单点故障问题？
这是一个很严重的问题，因为我们很难把这些位于不同 DataNode 的数据块重建成文件。Hadoop2 给出了HDFS的高可用 HA 方案：HDFS通常由两个NameNode组成，一个处于 active 状态（主节点），另一个处于 standby 状态（备用节点），两者的数据是时刻保持一致的。当主节点出现问题，备用节点会自动切换，用户不会受到影响，这样就避免了 NameNode 的单点故障问题。当主节点对外提供服务，比如处理来自客户端的 RPC 请求，而备用节点则不对外提供服务，仅同步主节点的状态，以便能够在它失败时快速进行切换。
HDFS 的写流程：
客户端向 NameNode 发起写数据的请求
分块写入 DataNode 节点，DataNode 自动完成副本的备份
DataNode 向 NameNode 汇报储存完成，NameNode 通知客户端
HDFS 的读流程：
客户端向 NameNode 发起读数据的请求
NameNode 找出距离最近的 DataNode 节点信息
客户端从 DataNode 分块下载文件
本文首发于知乎专栏：「数据池塘」
