HDFS是一個不錯的分布式文件系統(tǒng)，它有很多的優(yōu)點，但也存在有一些缺點。目前而言，它在以下幾個方面就效率不佳：

低延時訪問

HDFS不太適合于那些要求低延時（數(shù)十毫秒）訪問的應用程序，因為HDFS是設計用于大吞吐量數(shù)據(jù)的，這是以一定延時為代價的。HDFS是單Master的，所有的對文件的請求都要經(jīng)過它，當請求多時，肯定會有延時。當前，對于那些有低延時要求的應用程序，HBase是一個更好的選擇?，F(xiàn)在HBase的版本是0.20，相對于以前的版本，在性能上有了很大的提升，它的口號就是goes real time。

使用緩存或多master設計可以降低client的數(shù)據(jù)請求壓力，以減少延時。還有就是對HDFS系統(tǒng)內(nèi)部的修改，這就得權衡大吞吐量與低延時了，HDFS不是萬能的銀彈。

大量小文件

因為Namenode把文件系統(tǒng)的元數(shù)據(jù)放置在內(nèi)存中，所以文件系統(tǒng)所能容納的文件數(shù)目是由Namenode的內(nèi)存大小來決定。一般來說，每一個文件、文件夾和Block需要占據(jù)150字節(jié)左右的空間，所以，如果你有100萬個文件，每一個占據(jù)一個Block，你就至少需要300MB內(nèi)存。當前來說，數(shù)百萬的文件還是可行的，當擴展到數(shù)十億時，對于當前的硬件水平來說就沒法實現(xiàn)了。還有一個問題就是，因為Map task的數(shù)量是由splits來決定的，所以用MR處理大量的小文件時，就會產(chǎn)生過多的Maptask，線程管理開銷將會增加作業(yè)時間。舉個例子，處理10000M的文件，若每個split為1M，那就會有10000個Maptasks，會有很大的線程開銷；若每個split為100M，則只有100個Maptasks，每個Maptask將會有更多的事情做，而線程的管理開銷也將減小很多。

要想讓HDFS能處理好小文件，有不少方法：

1、利用SequenceFile、MapFile、Har等方式歸檔小文件，這個方法的原理就是把小文件歸檔起來管理，HBase就是基于此的。對于這種方法，如果想找回原來的小文件內(nèi)容，那就必須得知道與歸檔文件的映射關系。

2、橫向擴展，一個Hadoop集群能管理的小文件有限，那就把幾個Hadoop集群拖在一個虛擬服務器后面，形成一個大的Hadoop集群。google也是這么干過的。

3、多Master設計，這個作用顯而易見了。正在研發(fā)中的GFS II也要改為分布式多Master設計，還支持Master的Failover，而且Block大小改為1M，有意要調(diào)優(yōu)處理小文件啊。

附帶個Alibaba DFS的設計，也是多Master設計，它把Metadata的映射存儲和管理分開了，由多個Metadata存儲節(jié)點和一個查詢Master節(jié)點組成。

多用戶寫，任意文件修改

目前Hadoop只支持單用戶寫，不支持并發(fā)多用戶寫?？梢允褂肁ppend操作在文件的末尾添加數(shù)據(jù)，但不支持在文件的任意位置進行修改。這些特性可能會在將來的版本中加入，但是這些特性的加入將會降低Hadoop的效率，就拿GFS來說吧，這篇文章里就說了google自己的人都用著Multiple Writers很不爽。

利用Chubby、ZooKeeper之類的分布式協(xié)調(diào)服務來解決一致性問題。