分布式文件系统是大型分析非常重要的一环。即使你是在使用Spark，你仍然需要将大量的数据快速的存入内存，所以文件系统一定要可以是高速率的。但是，HDFS并不像它标榜的那样好，它是大数据分析的薄弱环节。

什么是分布式文件系统?普通的文件系统是基于块来存储文件的。查找文件时，要去磁盘中匹配每一个块。一般是有文件分配表或多种FAT的。但是，分布式文件系统的物理存储资源是不一定直接连接在本地节点上的，而是通过计算机网络与节点相连。另外，像RAID或SAN系统，块是会复制的，因此，网络节点丢失并不会造成数据丢失。

HDFS存在的缺陷

HDFS中的文件分配表的核心是NameNode。客户端主要通过NameNode执行数据操作，DataNode会与其他DataNode进行通信并复制数据块以实现冗余，这样单一的DataNode损坏不会导致集群的数据丢失。但是NameNode一旦发生故障，后果会非常严重。虽然NameNode可以故障转移，但是需要花费大量的时间。这也意味着序列中会有更多的等待时间。HDFS的垃圾回收，尤其是Java垃圾回收是需要占用大量的内存，一般是本机有效内存的10倍。

因为HDFS的设计更多的是建立在响应"一次写入、多次读写"任务的基础上。在多数情况下，分析任务都会涉及数据集中的大部分数据，也就是说，对HDFS来说，请求读取整个数据集要比读取一条记录更加高效。所以HDFS在语言选择方面更偏向于基础语言，而不是高级语言。

传统的操作可以用更短的时间来开发部署，维护成本更低、安全性更好。业内有这样一种说法，大多数操作系统支持C语言、汇编和Java的原因是，文件系统处于一个较低的水平。

HDFS的工具和其他文件系统的工具相较是有差距的。比起你曾经处理的任何文件系统或分布式存储HDFS周围的工具是一种较差。基于Java的文件系统只能搭上IT人员最喜爱的POSIX工具的末班车。你尝试过NFS挂载HDFS吗?其它的HDFS工具的安装也是非常复杂的。相反的，如果你使用REST bridge Tool和客户端命令行就会非常容易。

HDFS支持原生代码扩展，提高了运行效率。另外，社区也为NameNode的发展做出了很多贡献。如果你想要打造一个高端的系统，那么必须打破监测和诊断工具中的NameNode瓶颈。总之，在操作系统上使用基于C或C ++的较为成熟的分布式文件系统往往是一个更好的选择。

Spark和云计算需求的变化

早期的Hadoop企业部署基本上是在本地完成的，随着Spark和云部署的崛起，使用Amazon S3作为数据源的情况渐渐多了起来。

Hadoop供应商都期望能够出现更为统一的Hadoop平台，期望HDFS能够与安全组件集成。Spark本身就因文件系统的多样性而存在很多矛盾，所以，想要和文件系统紧密集成几乎是不可能的。

MAPR FS文件系统渐渐引起了企业的兴趣。MAPR FS没有NameNode，而是采用了更标准和熟悉的集群方案方案。 MAPR的分区设计也很好的避免了瓶颈。

除了上述的分布式文件系统，还有很多的分布式文件系统可以供选择，例如Ceph、Gluster。Gluster是一种更为标准的分布式文件系统，擅长I/O操作。目前，大多数人选择使用Spark来存储文件是因为他们对于Spark更加熟悉，而并非是因为它性能好、速度快。

大型HDFS安装的迁移是不可能一蹴而就的，但是随着时间的迁移，未来我们在Spark和云项目中会越来越少的看到HDFS。也许，HDFS会脱离YARN，单独成为Hadoop的一部分。

本文作者：佚名

来源：51CTO