HDFS主要存储非结构化数据、半结构化数据以及需要高吞吐访问的大规模结构化数据，它是构建大数据底座的基石，适合“写一次，读多次”的场景，而不适合频繁小文件修改或低延迟交互场景。
在大数据生态系统中,Hadoop Distributed File System（HDFS）扮演着存储层的角色，很多人容易混淆它和传统数据库的区别，甚至疑惑hdfs适合存储什么类型的数据，HDFS就像是一个超级巨大的仓库，它不擅长处理零碎的小包裹，但非常擅长堆放成吨的原材料，理解这一点，是进行数据架构设计的第一步。
非结构化数据：HDFS的主战场
非结构化数据占据了企业数据总量的80%以上，这也是HDFS最擅长的领域，这类数据没有固定的格式，难以用传统的行列表格来存储。
文本与日志文件
互联网应用中产生的海量日志是典型代表,比如Web服务器产生的Access日志、应用系统的错误日志、用户行为追踪日志等，这些数据通常以文本形式存在，体积巨大且增长迅速。
- 写入特性：日志通常是追加写入，符合HDFS一次写入、多次读取的设计哲学。
- 存储优势：HDFS通过多副本机制保证数据不丢失，即使硬盘损坏，数据依然安全。
- 处理流程：数据写入HDFS后，MapReduce或Spark任务可以直接并行读取，进行实时或离线分析。
业内专家指出,对于日均产生TB级日志的企业，将日志直接存入HDFS是成本最低且扩展性最好的方案。
多媒体文件
图片、音频、视频等多媒体文件也是HDFS的重要存储对象，随着短视频和直播行业的爆发，这类数据量呈指数级增长。
- 大文件优势：HDFS设计初衷就是处理GB甚至TB级别的大文件，一个高清视频文件通常远超HDFS默认的块大小（如128MB或256MB），因此它会被切分成多个块存储在不同节点上。
- 流式访问：视频播放需要高带宽的流式读取，HDFS优化了顺序读取性能，能够持续不断地向客户端输送数据块。
- 对比传统NAS：相比传统网络存储，HDFS在集群规模扩大时，性能线性提升，而传统存储往往面临性能瓶颈。
半结构化数据：灵活性的体现
半结构化数据介于结构化和非结构化之间,具有自我描述的特性，如JSON、XML、CSV等格式。
JSON与XML数据
在微服务架构和API交互中,JSON数据无处不在，虽然关系型数据库也能存储JSON字段，但在处理PB级JSON日志时，HDFS配合解析引擎（如Spark SQL）更具优势。
- Schema-on-Read：HDFS不强制要求数据入库时定义模式，而是读取时解析，这意味着你可以将不同结构的JSON文件混合存储，后期再根据需求提取字段。
- 版本迭代：当业务字段发生变化时，无需修改数据库表结构，只需在HDFS中存储新格式的数据，旧数据依然可查。
CSV与TSV文件
从外部系统导出的报表数据、爬虫抓取的表格数据，通常以CSV格式存在。
- 批量导入：通过Sqoop或Flume等工具，可以将这些文件批量导入HDFS。
- 清洗前置：在HDFS中进行数据清洗和转换，比直接在数据库中进行ETL操作更节省资源，因为HDFS集群通常拥有更强大的计算资源池。
结构化数据：特定场景下的选择
很多人认为结构化数据应该存在MySQL或Oracle中,但在大数据场景下，HDFS也有其独特价值。
历史归档数据
对于金融、电信等行业，需要保留多年的交易记录或通话详单，这些数据查询频率极低，但体量巨大。
- 成本对比：HDFS基于廉价硬件构建，存储成本远低于高端SAN存储或云数据库。
- 查询效率：虽然HDFS本身不支持SQL查询，但结合Hive或Impala等工具，可以对HDFS中的结构化数据进行SQL查询，满足合规审计需求。
据统计,多数大型企业在数据湖架构中，将超过5年的冷数据迁移至HDFS存储，以释放高性能存储资源。
机器学习训练数据
AI模型的训练需要海量样本数据,这些数据往往是结构化的表格数据，如用户画像标签、商品属性等。
- 数据共享：HDFS作为中央存储，允许多个机器学习集群同时读取训练数据，避免数据孤岛。
- 特征工程：在HDFS上进行大规模特征提取和转换，利用分布式计算能力加速模型迭代。
不适合存储在HDFS的数据类型
了解HDFS的短板同样重要,避免将其用于不合适的场景。
小文件问题
HDFS对大量小文件（如KB级别）存储效率极低，每个文件在NameNode中占用一个Inode，消耗大量内存。
- 解决方案：使用HAR归档、SequenceFile合并或定期将小文件打包成大文件。
- 性能影响：小文件过多会导致NameNode启动缓慢，集群元数据管理压力巨大。
低延迟数据访问
HDFS的设计目标是高吞吐量,而非低延迟，其平均访问延迟在毫秒到秒级，不适合实时交易系统。
- 对比HBase：如果需要随机读写和毫秒级响应，应使用HBase或Cassandra等NoSQL数据库，它们基于HDFS存储数据，但提供了索引和缓存机制。
- 场景区分：在线推荐系统、即时通讯等场景，不应直接使用HDFS作为后端存储。
频繁更新的数据
HDFS不支持数据的随机修改和追加（除了日志追加），一旦数据写入，通常只能追加，不能修改中间内容。
- 替代方案：对于需要频繁更新的业务数据，应使用关系型数据库或支持事务的NoSQL数据库。
- 数据湖架构：现代数据湖通过Delta Lake或Hudi等格式，在HDFS之上实现了ACID事务支持，解决了部分更新问题。
hdfs存储数据的价格与成本考量
企业在选择存储方案时,成本是重要因素。
硬件成本优势
HDFS运行在通用x86服务器上,无需昂贵的专用存储设备。
- 扩展性：通过增加节点即可线性扩展存储容量，边际成本递减。
- 维护成本：软件层面开源免费，主要成本在于硬件采购和运维人力。
存储冗余策略
HDFS默认三副本机制,意味着存储1TB数据实际消耗3TB物理空间。
- 纠删码技术：对于冷数据，可使用纠删码（Erasure Coding）替代副本机制，将存储开销降低至1.5倍左右，显著节省成本。
- 分层存储：结合热、温、冷数据分层策略，将不常用数据迁移至低成本存储介质。
hdfs存储数据的安全性与权限管理
数据安全是企业关注的核心。
权限控制
HDFS支持POSIX风格的权限管理,可设置文件的所有者、组和其他用户的读写执行权限。
- Kerberos集成：在生产环境中，通常启用Kerberos认证，防止未授权访问。
- ACL支持：HDFS支持访问控制列表（ACL），提供更细粒度的权限控制。
数据加密
- 传输加密：支持SSL/TLS加密数据传输，防止中间人攻击。
- 静态加密：通过HDFS加密区（Encrypted Zones）功能，对存储在磁盘上的数据进行透明加密，确保数据在物理介质上的安全。
Q&A：关于hdfs存储数据的常见疑问
hdfs适合存储小文件吗？
不适合,HDFS的NameNode将每个文件的元数据存储在内存中，小文件过多会耗尽内存资源，导致集群性能下降甚至崩溃，建议通过合并工具将小文件打包成大文件后再存储。
hdfs存储数据的价格比传统数据库便宜吗？
在大规模数据场景下,HDFS的存储成本显著低于传统高端数据库，HDFS基于廉价商用硬件，且软件开源，无需支付昂贵的许可证费用，对于PB级数据，HDFS的总体拥有成本（TCO）通常只有传统方案的几分之一。
hdfs可以存储视频文件吗？
可以,且非常适合，HDFS专为高吞吐量设计，能够高效存储和读取GB级别的大文件，视频流媒体服务通常将视频文件存储在HDFS中，并通过分布式计算框架进行转码和处理，利用其并行读取能力满足并发播放需求。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/452664.html
