如今，分布式文件系統(tǒng)是大型分析非常重要的一環(huán)，即使在使用Spark仍然需要將大量的數(shù)據(jù)快速存入內(nèi)存，所以文件系統(tǒng)一定是高速率的。但其實(shí)HDFS并不像標(biāo)榜的那樣好，它是大數(shù)據(jù)分析的薄弱環(huán)節(jié)。

我們知道，HDFS中的文件分配表的核心是NameNode，客戶端主要通過(guò)NameNode執(zhí)行數(shù)據(jù)操作，DataNode會(huì)與其他DataNode進(jìn)行通信并復(fù)制數(shù)據(jù)塊以實(shí)現(xiàn)冗余，這樣單一的DataNode損壞就會(huì)導(dǎo)致集群的數(shù)據(jù)丟失。但是NameNode一旦發(fā)生故障，后果就會(huì)非常嚴(yán)重。雖然NameNode可以故障轉(zhuǎn)移，但是花費(fèi)大量的時(shí)間，這也意味著序列中會(huì)有更多的等待時(shí)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(nèi)存，一般是本機(jī)有效內(nèi)存的10倍左右。

因?yàn)镠DFS的設(shè)計(jì)更多是建立在響應(yīng)“一次寫(xiě)入、多次讀寫(xiě)”任務(wù)的基礎(chǔ)上，多數(shù)情況下，分析任務(wù)都會(huì)涉及數(shù)據(jù)集中的大部分?jǐn)?shù)據(jù)，也就是說(shuō)對(duì)HDFS而言，請(qǐng)求讀取整個(gè)數(shù)據(jù)集要比讀取一條記錄更加高效，所以HDFS在語(yǔ)言選擇方面更偏向于基礎(chǔ)語(yǔ)言，而不是高級(jí)語(yǔ)言。

傳統(tǒng)的操作可以用更短的時(shí)間來(lái)開(kāi)發(fā)部署，維護(hù)成本更低、安全性更好。業(yè)內(nèi)有這樣一種說(shuō)法，大多數(shù)操作系統(tǒng)支持C語(yǔ)言、匯編和Java的原因是文件系統(tǒng)處于一個(gè)較低水平。HDFS的工具和其他文件系統(tǒng)工具相較存在差距，比起曾經(jīng)處理的任何文件系統(tǒng)或分布式存儲(chǔ)，HDFS周?chē)墓ぞ弑憩F(xiàn)不佳?；贘ava的文件系統(tǒng)只能搭上IT人員最喜愛(ài)的POSIX工具的末班車(chē)，嘗試過(guò)NFS掛載HDFS嗎？其它的HDFS工具的安裝也相對(duì)較復(fù)雜，相反如果使用REST bridge Tool和客戶端命令行就會(huì)非常容易。

HDFS支持原生代碼擴(kuò)展，提高了運(yùn)行效率。另外社區(qū)也為NameNode的發(fā)展作出了很多貢獻(xiàn)。如果想要打造一個(gè)高端的系統(tǒng)，那么必須打破監(jiān)測(cè)和診斷工具中的NameNode瓶頸，總之在操作系統(tǒng)上使用基于C或C ++的較為成熟的分布式文件系統(tǒng)往往是更好的選擇。

早期的Hadoop企業(yè)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(shù)據(jù)源的情況漸漸多了起來(lái)。Hadoop供應(yīng)商都期望能夠出現(xiàn)更為統(tǒng)一的Hadoop平臺(tái)，期望HDFS能夠與安全組件集成。Spark本身就因文件系統(tǒng)的多樣性而存在很多矛盾，所以想要和文件系統(tǒng)緊密集成幾乎是不可能。這樣MAPR FS文件系統(tǒng)漸漸引起了企業(yè)的興趣，MAPR FS沒(méi)有NameNode，而是采用了更標(biāo)準(zhǔn)和熟悉的集群方案， MAPR的分區(qū)設(shè)計(jì)很好地避免了瓶頸。

除了上述的分布式文件系統(tǒng)，還有很多的分布式文件系統(tǒng)可以供選擇，例如Ceph、Gluster，其中Gluster是一種更為標(biāo)準(zhǔn)的分布式文件系統(tǒng)，擅長(zhǎng)I/O操作。目前大多數(shù)人選擇使用Spark來(lái)存儲(chǔ)文件，是因?yàn)樗麄儗?duì)于Spark更加熟悉，而并非是因?yàn)樗阅芎?、速度快。大型HDFS安裝的遷移并不可能一蹴而就，但隨著時(shí)間的遷移，未來(lái)在Spark和云項(xiàng)目中會(huì)越來(lái)越少看到HDFS，也許HDFS會(huì)脫離YARN，單獨(dú)成為Hadoop的一部分。