HDFS的概念
HDFS首先是文件系统（FileSystem，FS），尽管这个FS是基于OS原生的文件系统之上；而且这个文件系统是一个抽象概念，HDFS作为一个整体出现，对外（client）隐藏了其内部分分布式文件存储的细节。
HDFS的核心概念有三个，完美实现了对于内部复杂性的封装：
首先是数据块；原生的文件系统有数据块的概念，不同的操作系统不一样，大概几千K；硬件上面数据存储也是有数据块，512K。HDFS的数据块则是64M到128M。HDFS之所以这么就是为了减少选址时间（文件小，索引多，导致查询慢）；但是文件块也不能太大，否则影响并发（文件大，分布少，导致并发小）。
数据块定义了这个概念目的是为了操作都是围绕数据块来的：
1）索引都是以块为单位进行记录；
2）容错也是以块为单位（副本拷贝，覆盖）；
3）文件不再一个整体，而是文件块集合，这样模型变得简单（二级关系变成了一级关系）；
4）刷缓冲区的文件到Disk也是以块为单位，即FSDataOutputStream.flush；想要立即刷回硬盘需要调用hsync()函数；
第二个概念是NameNode，NameNode的职责就是负责元数据管理，NameNode里面包含了文件块的位置；如果没有NameNode就无法组装起完整的文件。所以NameNode节点数据需要主备模式，即NameNode和Secondary NameNode两个；为了数据同步同时又不影响NameNode工作，HDFS设计了checkpoint机制。
VERSION文件里面定义了这个集群相关的一些信息
1）clusterId字段代表了集群ID；
2）namesparcId则代表HDFS文件系统ID，在NameNode创建之初的时候产生；
3）storageType代表node类型，namenode or datanode；
4）cTime代表文件操作系统创建的时间；新格式化的时候这个值总是0；但是当文件操作系统被更新的时候将会改写为更新的时间点（时间戳）。
checkpoint机制是一个时间点；到了时间点之后：
1）Secondary NameNode（SNN）将会向NameNode（NN）请求数据；NameNode会把当前操作日志（edits文件)进行roll，然后向一个新的操作日志文件中写；然后secondary获取到edits以及fsimage两个文件，注意此时faimage文件还是旧的，未同步；NameNode不会随时更新此文件，只有checkpoint的时候有secondary nameNode做同步。
2）SNN将会根据edits的日志操作合并到fsimage里面；
3）然后再把faimage文件同步到NameNode节点中去。
这样就实现了NameNode备份，可能会因为checkpoint不及时，导致数据丢失。
看过了checkpoint，其实你会发现在checkpoint之前，所有的改动其实并没有被持久化，只是被保存到内存中的数据库；任何的修改都是先该edits文件，然后再更新到内存数据；这种情况导致的就是当NameNode重启的时候，他是会将edits文件和fsimage文件进行合并，操作和SNN是类似的。
第三个概念是DataNode，DataNode的角色是用于存储和查询数据文件；数据存入DataNode的过程是：Client向NameNode请求文件路径，有则返回既存DataNode（包括两个副本DataNode），如果没有则根据DataNode的分布返回一个Pipeline，首先是map运行机器（第一个副本），另外两个尽量选择是一个机架上面的其他两个DataNode；如果没有则选择另外一个机架上面。
在整个操作过程中，有两条线，第一条线是访问NameNode获取Pipeline；第二条线是想dataNode中写入数据；其中client端在写入数据的时候其实会维护一个FileBlockQueue，只有写入成功的才会删除；用于当写入发生异常，比如4.1挂了，将会把所有的写入4.1失败的数据以及未来数据统统发给后续的副本DataNode机器，同时通知NameNode；另外为了数据一致性，将会在最后个DataNode写入的时候做校验和。但是为什么要在最后一个点做呢？这样做是为了避免在复制副本过程中发生了对包，所以check是放在最后一个节点做得，这样check只需要做一次。
其实NameNode和DataNode所管理的对象都是数据块；NameNode是记录数据块存储的位置，同时通过NN和SNN实现了高可用；
在Hadoop 2.x推出了NameNode的HA之后，其实Standby Namenode就会同时扮演Secondary NameNode的功能（当前活跃的NameNode称之为Active NameNode），Secondary NameNode和Standby NameNode最大的却别在于前者并不对外提供服务，只是对NameNode提供服务；后者则是提供对外服务（用于做为Active NameNode的backup）。所以二者不需要并存（即使并存也会报错）。NameNode的SecondaryNameNode是为了帮助NameNode做日志集成，用于挂掉后，可以通过集成的日志进行数据恢复；NameNode的HA则是扮演持续服务的角色，客户端将会同时配置两个NameNode；不过做standby node所在的节点同时会扮演secondary nameNode的角色；
standby namenode切换为active namenode之后，数据是如何做到同步的呢？通过共享存储实现的，这里使用到的是cloudera的QJM(Quorum Journal Manager) 方案，active namenode的每次写入edits之后，数据将会写入到JournalNode中（只要保证超过半数的JournalNode数据写入成功即可）；standby namenode将会定时的从journalNode中同步数据；通过这种方式实现了该节点可以同步active nodename的数据。
HDFS还有两个很重要的工具：
distcp，用于在两个集群间拷贝数据；
1）distcp实现是基于mapreduce，但是只有map节点；
2）distcp有一个“-m”参数，该参数指定了几个map来跑程序；map将会被均匀的分布到各个DataNode上面；这个数字不能太小，否则将会导致数据倾斜因为map会选定执行的设备为数据保存的第一个副本；极端讲，如果只有一个map那么将会导致所有的文件都拷贝到了同一个节点上面。
har，hadoop自己的tar工具，可以对文件，尤其是小文件进行打包；好处就是hadoop原生支持，而且可以当成普通目录进行读取。
参考
《hadoop 权威指南（第四版）》