HDFS：大數據分析的軟肋

如今，分布式文件系統是大型分析非常重要的一環，即使在使用Spark仍然需要將大量的數據快速存入內存，所以文件系統一定是高速率的。但其實HDFS并不像標榜的那樣好，它是大數據分析的薄弱環節。

我們知道，HDFS中的文件分配表的核心是NameNode，客戶端主要通過NameNode執行數據操作，DataNode會與其他DataNode進行通信并復制數據塊以實現冗余，這樣單一的DataNode損壞就會導致集群的數據丟失。但是NameNode一旦發生故障，后果就會非常嚴重。雖然NameNode可以故障轉移，但是花費大量的時間，這也意味著序列中會有更多的等待時間。此外，HDFS的垃圾回收，尤其是Java垃圾回收還需要占用大量的內存，一般是本機有效內存的10倍左右。

因為HDFS的設計更多是建立在響應“一次寫入、多次讀寫”任務的基礎上，多數情況下，分析任務都會涉及數據集中的大部分數據，也就是說對HDFS而言，請求讀取整個數據集要比讀取一條記錄更加高效，所以HDFS在語言選擇方面更偏向于基礎語言，而不是高級語言。

傳統的操作可以用更短的時間來開發部署，維護成本更低、安全性更好。業內有這樣一種說法，大多數操作系統支持C語言、匯編和Java的原因是文件系統處于一個較低水平。HDFS的工具和其他文件系統工具相較存在差距，比起曾經處理的任何文件系統或分布式存儲，HDFS周圍的工具表現不佳。基于Java的文件系統只能搭上IT人員最喜愛的POSIX工具的末班車，嘗試過NFS掛載HDFS嗎？其它的HDFS工具的安裝也相對較復雜，相反如果使用REST bridge Tool和客戶端命令行就會非常容易。

HDFS支持原生代碼擴展，提高了運行效率。另外社區也為NameNode的發展作出了很多貢獻。如果想要打造一個高端的系統，那么必須打破監測和診斷工具中的NameNode瓶頸，總之在操作系統上使用基于C或C ++的較為成熟的分布式文件系統往往是更好的選擇。

早期的Hadoop企業部署基本上是在本地完成，隨著Spark和云部署的崛起，使用Amazon S3作為數據源的情況漸漸多了起來。Hadoop供應商都期望能夠出現更為統一的Hadoop平臺，期望HDFS能夠與安全組件集成。Spark本身就因文件系統的多樣性而存在很多矛盾，所以想要和文件系統緊密集成幾乎是不可能。這樣MAPR FS文件系統漸漸引起了企業的興趣，MAPR FS沒有NameNode，而是采用了更標準和熟悉的集群方案， MAPR的分區設計很好地避免了瓶頸。

除了上述的分布式文件系統，還有很多的分布式文件系統可以供選擇，例如Ceph、Gluster，其中Gluster是一種更為標準的分布式文件系統，擅長I/O操作。目前大多數人選擇使用Spark來存儲文件，是因為他們對于Spark更加熟悉，而并非是因為它性能好、速度快。大型HDFS安裝的遷移并不可能一蹴而就，但隨著時間的遷移，未來在Spark和云項目中會越來越少看到HDFS，也許HDFS會脫離YARN，單獨成為Hadoop的一部分。