Hadoop的数据主要存储在分布式文件系统HDFS中，通过多副本机制确保数据的高可用性与容错性，底层则依赖于操作系统的本地物理磁盘。
在大数据生态系统中，数据存储不仅仅是把文件扔进硬盘那么简单，它更像是一个精密的物流仓储系统，Hadoop的核心设计理念就是“移动计算比移动数据更便宜”，数据必须稳定、安全且易于访问地停留在集群节点上,这种架构决定了其存储逻辑与我们日常使用的单机数据库有着本质区别。
HDFS架构与数据物理存储位置
Hadoop分布式文件系统（HDFS）是Hadoop生态的基石，理解Hadoop数据存储在哪，首先要厘清NameNode和DataNode的角色分工，NameNode负责管理文件的元数据，比如文件名、目录结构、权限以及数据块在哪些DataNode上，它就像图书馆的索引卡片；而DataNode才是真正干活的地方,它们负责存储实际的数据块。
数据块的切分与分布策略
在HDFS中，文件不会被作为一个整体存储，而是被切割成固定大小的数据块（Block），默认情况下，Hadoop 3.x版本的数据块大小为128MB，而在早期版本中通常为64MB，这意味着，如果你上传一个1GB的文件，它会被切成8个数据块,分散存储在不同的DataNode上。
这种切分策略带来了两个关键优势：一是便于并行处理，多个节点可以同时读取不同的数据块；二是提高了容错能力，业内专家指出，通过副本机制，即使某个节点宕机,数据依然可以从其他节点恢复。
副本因子与机架感知
数据块在HDFS中默认拥有3个副本，这三个副本的放置位置并非随机，而是遵循严格的“机架感知”策略，通常情况下，第一个副本存储在提交任务的节点所在机架，第二个副本存储在同一机架的其他节点,第三个副本则存储在不同机架的节点上。
这种分布方式旨在平衡数据安全性与网络带宽消耗，如果所有副本都在同一机架，一旦该机架断电或网络中断，数据将面临丢失风险；如果副本分散过远，则会导致跨机架数据传输延迟,影响读写性能。
底层存储介质与硬件依赖
虽然逻辑上数据存储在HDFS中，但物理上，这些数据究竟躺在哪里？答案是：集群中每台DataNode服务器的
本地硬盘。
Hadoop并不依赖昂贵的SAN（存储区域网络）或NAS（网络附属存储），而是采用“胖节点”策略，将计算与存储紧密结合，每个DataNode节点通常配备多块大容量机械硬盘（HDD）或固态硬盘（SSD）。
本地磁盘的管理与维护
对于大多数企业级应用，使用机械硬盘是主流选择，因为成本效益最高，随着数据量的爆炸式增长,磁盘故障率成为运维人员关注的重点。
- 磁盘监控：运维团队需要实时监控DataNode节点的磁盘使用率、I/O吞吐量和错误日志。
- 故障处理：当某块磁盘出现坏道或读取错误时，HDFS会自动检测到并标记该数据块为不可用,随后从其他副本中复制数据以恢复副本因子。
- 数据均衡：随着新节点加入或旧节点退役，HDFS会启动数据平衡进程，将数据块在不同节点间重新分布,避免数据倾斜。
元数据存储与高可用方案
如果说数据块是仓库里的货物，那么元数据就是仓库的管理账本，NameNode存储了所有文件系统的命名空间信息,包括文件目录树以及文件到数据块的映射关系。
单点故障的风险与解决
在传统Hadoop 1.x架构中，NameNode是单点故障（SPOF），一旦NameNode宕机，整个HDFS集群将无法访问，为了解决这个问题，Hadoop 2.x引入了高可用（HA）架构。
双NameNode机制
在高可用集群中，配置了两个NameNode：一个处于Active（活动）状态，另一个处于Standby（备用）状态，Active NameNode负责处理所有客户端请求，而Standby NameNode则实时同步元数据。
- JournalNode集群：用于存储编辑日志（Edit Logs）,确保两个NameNode之间的元数据一致性。
- ZooKeeper：负责监控NameNode的健康状态，并在Active节点故障时自动触发故障转移,将Standby节点提升为Active。
这种架构确保了即使在硬件故障或软件崩溃的情况下，集群也能在秒级时间内恢复服务,满足企业级业务对连续性的严苛要求。
与其他存储方案的对比选择
在实际生产环境中，Hadoop并非总是唯一的数据存储选择，了解HDFS与其他存储技术的差异,有助于做出更合适的架构决策。
HDFS vs 传统关系型数据库
| 特性 | HDFS | 传统关系型数据库 (如MySQL) |
|---|---|---|
| 数据规模 | PB级甚至EB级 | TB级以下 |
| 数据模型 | 非结构化、半结构化、结构化 | 严格的结构化表格 |
| 写入性能 | 高吞吐写入，低延迟随机读取 | 低吞吐写入，高延迟随机读取 |
| 一致性 | 最终一致性 | 强一致性 |
| 适用场景 | 日志分析、大数据挖掘、离线报表 | 交易处理、核心业务系统 |
业内共识认为，HDFS适合批量处理和分析海量历史数据，而不适合需要低延迟响应的在线事务处理（OLTP）。
HDFS vs 对象存储 (如S3)
近年来，随着云原生技术的发展，许多企业开始将数据存储在对象存储中,HDFS与对象存储的主要区别在于：
- 存储成本：对象存储通常按使用量付费，初始投入更低；HDFS需要自建硬件,前期投入较大。
- 数据一致性：HDFS提供强一致性模型，适合需要精确读取的应用；对象存储通常采用最终一致性。
- 生态集成：HDFS与MapReduce、Spark等计算引擎深度集成；对象存储则需要通过适配器或特定协议（如Hadoop FileSystem API）进行对接。
数据生命周期管理策略
数据在Hadoop中并非一成不变，随着时间推移，数据的热度会下降,合理的生命周期管理可以显著降低存储成本。
冷热数据分离
- 热数据：最近产生的、频繁访问的数据，存储在高性能SSD或高速HDD上,确保查询速度。
- 温数据：偶尔访问的数据,存储在普通HDD上。
- 冷数据：长期归档、极少访问的数据，可以迁移到低成本的存储介质,甚至导出到云存储或磁带库。
压缩与编码优化
为了节省存储空间并提高网络传输效率，Hadoop支持多种压缩格式，如Gzip、Snappy、LZO等，Snappy因其高速压缩和解压能力，成为Hadoop生态中的主流选择，使用列式存储格式（如Parquet、ORC）可以进一步减少存储体积,并提升查询性能。
Q&A：关于Hadoop数据存储的常见疑问
Hadoop数据存储在哪，具体路径是什么？
在Linux系统中，HDFS的数据块物理存储在DataNode节点的配置目录下，默认路径通常由配置文件hdfs-site.xml中的dfs.datanode.data.dir属性决定，常见路径为/data/hadoop/hdfs/data或/hadoop/data，管理员可以通过查看该目录下的子文件夹（如current）来确认实际存储位置。
Hadoop数据存储的安全性与权限如何控制？
HDFS提供了基于POSIX风格的权限模型，包括用户、组和其他人的读（r）、写（w）、执行（x）权限，Hadoop支持Kerberos认证和ACL（访问控制列表），以实现更细粒度的权限管理，企业还可以结合加密插件，对静态数据进行加密存储,防止物理磁盘丢失导致的数据泄露。
Hadoop数据存储的扩容与维护流程是怎样的？
扩容Hadoop集群通常包括增加新的DataNode节点，操作流程如下：首先在新增节点上安装Hadoop软件并配置环境变量；然后在slaves或workers文件中添加新节点的主机名；接着启动DataNode服务；HDFS会自动检测新节点并开始迁移部分数据块以实现负载均衡，维护过程中，需定期监控磁盘健康状态，及时更换故障硬盘,确保集群稳定运行。
首发原创文章，作者：世雄 - 原生数据库架构专家，如若转载，请注明出处：https://idctop.com/article/472797.html
