大数据开发：分布式文件存储系统简介

大家好，又见面了，我是你们的朋友全栈君。

在分布式存储技术体系当中，分布式文件存储是其中的分类之一，也是大数据架构当中常常用到的。得益于Hadoop的高人气，Hadoop原生的HDFS分布式文件系统，也广泛为人所知。但是分布式文件存储系统，并非只有HDFS。今天的大数据开发分享，我们就主要来讲讲常见的分布式文件存储系统。

分布式文件系统，可以说是分布式系统下的一个子集，这里我们选取市场应用比较广泛的几款产品，HDFS、Ceph、FastDFS以及MooseFS来做简单的分析——

HDFS

如上所说，HDFS是分布式文件系统当中人气非常高的一个。基于Hadoop基础架构，HDFS天然就有很好的优势，尤其是面对大规模离线批处理任务，地位难以撼动。

HDFS，可以为各类分布式计算框架如Spark、MapReduce等提供海量数据存储服务，同时HBase、Hive底层存储也依赖于HDFS。与Hadoop生态的紧密联系，也使其稳稳占据市场主流地位。

优点：

高容错性：数据自动保存多个副本，副本丢失后，自动恢复

适合批处理：移动计算而非数据。数据位置暴露给计算框架

适合大数据处理：GB,TB,甚至PB级数据。百万规模以上文件数量。10K+节点规模。

流式文件访问：一次性写入，多次读取。保证数据一致性。

可构建在廉价机器上：通过多副本提高可靠性。提供容错和恢复机制。

缺点：

不适合低延迟数据访问场景：比如毫秒级，低延迟与高吞吐率

不适合小文件存取场景:占用NameNode大量内存。寻道时间超过读取时间。

不适合并发写入，文件随机修改场景：一个文件只能有一个写者。仅支持append

不符合posix语义，需要通过SDK来读写操作。对java支持良好，其他语言一般

Ceph

企业级的存储需求，通常分为块存储、文件存储和对象存储，而Ceph能够同时满足这三种需求。Ceph提供三大存储接口，能够将企业中的三种存储需求统一汇总到一个存储系统中，并提供分布式、横向扩展，高度可靠性的存储，具备高可用性、高性能及可扩展等特点。

优点：

支持对象存储（OSD）集群，通过CRUSH算法，完成文件动态定位，处理效率更高

符合posix语义，支持通过FUSE方式挂载，降低客户端的开发成本，通用性高

支持分布式的MDS/MON，无单点故障

强大的容错处理和自愈能力

支持在线扩容和冗余备份，增强系统的可靠性

缺点：

目前处于试验阶段，系统稳定性有待考究

部署和运维较复杂，集群管理工具较少

FastDFS

FastDFS是以C语言开发的一项开源轻量级分布式文件系统，提供文件存储、文件同步、文件访问（文件上传/下载）等通用文件管理操作，尤其适合以文件为载体的在线服务，如图片网站，视频网站等。追求高性能和高扩展性FastDFS，可以看做是基于文件的key value pair存储系统，称作分布式文件存储服务更为合适。

优点：

支持在线扩容机制，增强系统的可扩展性

实现了软RAID，增强系统的并发处理能力及数据容错恢复能力

支持主从文件，支持自定义扩展名

主备Tracker服务，增强系统的可用性

缺点：

不支持POSIX通用接口访问，通用性较低

对跨公网的文件同步，存在较大延迟，需要应用做相应的容错策略

同步机制不支持文件正确性校验，降低了系统的可用性

通过API下载，存在单点的性能瓶颈

MooseFS

MooseFS是在HDFS之后出现的，它也是类似的MDS+OSS架构，区别于HDFS的是，MooseFS没有对运行其上的业务做假设，它没有假设业务是大文件或海量小文件，也就是说，MooseFS的定位是像ext4、xfs、NTFS等单机文件系统一样的通用型文件存储。

优点：

扩容成本低、支持在线扩容，不影响业务，体系架构可伸缩性极强

支持POSIX通用接口访问，支持通过FUSE方式挂载，降低客户端的开发成本，通用性高

文件对象高可用，可设置任意的文件冗余程度（提供比Raid 10更高的冗余级别）

提供系统负载，将数据读写分配到所有的服务器上，加速读写性能

实现了软RAID，增强系统的并发处理能力及数据容错恢复能力

数据恢复比较容易，增强系统的可用性。有回收站功能，方便业务定制

缺点：

Master Server的单点解决方案的健壮性。Master Server一旦出问题Metalogger Server可以恢复升级为Master Server，但是需要恢复时间

Master Server本身的性能瓶颈。MFS的主备架构情况类似于MySQL的主从复制，从可以扩展，主却不容易扩展

随着MFS体系架构中存储文件的总数上升，Master Server对内存的需求量会不断增大

关于大数据开发，分布式文件存储系统，以上就为大家做了简单的介绍了。分布式文件系统，是解决大数据存储问题的重要底层支持，对于市场主流分布式存储产品，需要有相应的了解才行。