hdfs什么是分布式文件系统HDFS？

数据存储在OBS和HDFS有什么区别

据存储在OBS和HDFS有什么区别？ MRS集群处理的数据源来源于OBS或HDFS，HDFS是Hadoop分布式文件系统（Hadoop Distributed File System），OBS（Object Storage Service）即对象存储服务，是一个基于对象的海量存储服务，为客户提供海量、安全、高可靠、低成本的数据存储能力。

MRS可以直接处理OBS中的数据，客户可以基于云管理平台Web界面和OBS客户端对数据进行浏览、管理和使用，同时可以通过REST API接口方式单独或集成到业务程序进行管理和访问数据。

数据存储在OBS：数据存储和计算分离，集群存储成本低，存储量不受限制，并且集群可以随时删除，但计算性能取决于OBS访问性能，相对HDFS有所下降，建议在数据计算不频繁场景下使用。

数据存储在HDFS：数据存储和计算不分离，集群成本较高，计算性能高，但存储量受磁盘空间限制，删除集群前需将数据导出保存，建议在数据计算频繁场景下使用。

HDFS项目到底是做什么的？

Hard Disk File System（简称HDFS）是基于POC共识机制的数字加密货币和支付系统；也是一个安全、可拓展的区块链底层开发平台。

其愿景是打造一个完整的POC生态体系，形成包括资产交易、DAPP、数据存储、信息传递、侧链、区块链浏览器、节点竞选、矿机、矿池、矿工、技术社区及项目等一系列生态系统。

实现HDFS系统的自治和价值创造，布局整个POC共识生态圈。

hdfs是一个主从结构，一个hdfs集群是由什么组成

：一个HDFS集群是由一个NameNode和若干个DataNode组成的。

其中NameNode作为主服务器，管理文件系统的命名空间和客户端对文件系统的访问操作；集群中的DataNode管理存储的数据。

HDFS的NameNode和DataNode有什么区别？

HDFS是一种分布式文件系统，Hadoop集群借此来存储所有需要分析的输入数据以及由MapReduce作业生成的任何输出结果。

HDFS是一种基于数据块的文件系统，它跨越集群中的多个节点，并且使用用户数据可以存储在文件中。

它提供了传统的分层文件组织，以便用户或应用程序可以操作（创建、重命名、移动或删除）文件和目录。

它还提供了一个流接口，借助于该接口，可使用MapReduce框架运行所选的任何应用程序。

HDFS不支持设置硬链接或软链接，因此用户无法寻址到特定数据块或者覆盖文件。

HDFS要求进行编程访问，因此用户无法作为文件系统装载。

所有HDFS通讯都根据TCP/IP协议分层。

/docs/DOC-40328 HDFS的关键组件有： NameNode：单一主元数据服务器，其中包含每个文件、文件位置以及这些文件及其所在的DataNode内的所有数据块的内存映射。

DataNode：每个集群节点均有一个从属DataNode，它为读/写请求提供服务以及按照NameNode的指令执行数据块创建、删除和复制。

HDFS和HDF5 有区别吗？是同一个东西吗？

HDF5是一种软件系统，用于创建定制的数据容器，并提供对存储在它们中的数据的有效访问，在广泛的应用程序域、跨平台上，以及仅由宿主存储层所限制的大小。

Hadoop是一种分布式系统，用于处理、生成和存储大型数据集。

从表面上看，它们都有能力存储大型数据集。

尽管HDF5和Hadoop用于实现非常不同的目标，但是有一些方法可以很好地互补，例如，通过提供高效的Hadoop访问存储在HDF5容器中的数据。

什么是分布式文件系统HDFS？

HDFS是基于流数据模式访问和处理超大文件的需求而开发的，它可以运行于廉价的商用服务器上。

总的来说，可以将 HDFS的主要特点概括为以下几点： （1 ）处理超大文件 这里的超大文件通常是指数百 MB、甚至数百TB 大小的文件。

目前在实际应用中， HDFS已经能用来存储管理PB(PeteBytes)级的数据了。

在 Yahoo！，Hadoop 集群也已经扩展到了 4000个节点。

（2 ）流式地访问数据 HDFS的设计建立在更多地响应“一次写入，多次读取”任务的基础之上。

这意味着一个数据集一旦由数据源生成，就会被复制分发到不同的存储节点中，然后响应各种各样的数据分析任务请求。

在多数情况下，分析任务都会涉及数据集中的大部分数据，也就是说，对HDFS 来说，请求读取整个数据集要比读取一条记录更加高效。

（3 ）运行于廉价的商用机器集群上 Hadoop设计对硬件需求比较低，只须运行在廉价的商用硬件集群上，而无须昂贵的高可用性机器上。

廉价的商用机也就意味着大型集群中出现节点故障情况的概率非常高。

这就要求在设计 HDFS时要充分考虑数据的可靠性、安全性及高可用性。

正是由于以上的种种考虑，我们会发现现在的 HDFS在处理一些特定问题时不但没有优势，而且有一定的局限性，主要表现在以下几个方面。

（1 ）不适合低延迟数据访问 如果要处理一些用户要求时间比较短的低延迟应用请求，则 HDFS不适合。

HDFS 是为了处理大型数据集分析任务的，主要是为达到高的数据吞吐量而设计的，这就可能要求以高延迟作为代价。

目前有一些补充的方案，比如使用HBase，通过上层数据管理项目来尽可能地弥补这个不足。

（2 ）无法高效存储大量小文件 在Hadoop 中需要用 NameNode来管理文件系统的元数据，以响应客户端请求返回文件位置等，因此文件数量大小的限制要由 NameNode来决定。

例如，每个文件、索引目录及块大约占 100字节，如果有100 万个文件，每个文件占一个块，那么至少要消耗 200MB内存，这似乎还可以接受。

但如果有更多文件，那么 NameNode的工作压力更大，检索处理元数据的时间就不可接受了。

（3 ）不支持多用户写入及任意修改文件 在HDFS 的一个文件中只有一个写入者，而且写操作只能在文件末尾完成，即只能执行追加操作。

目前 HDFS还不支持多个用户对同一文件的写操作，以及在文件任意位置进行修改。