在分布式存储技术体系中，分布式文件存储是其中的一种分类，常用于大数据架构中。 由于Hadoop的受欢迎，Hadoop本机HDFS分布式文件系统也广为人知。 但是，分布式文件存储系统不仅仅是HDFS。 当今的大数据开发共享主要介绍典型的分布式文件存储系统。
分布式文件系统可以说是分布式系统下的子集。 我们选择市场上几种广泛使用的产品，包括HDFS、Ceph、FastDFS和MooseFS，进行简要分析——
HDFS如上所述，HDFS在分布式文件系统中非常受欢迎。 基于Hadoop基础架构，HDFS自然具有很好的优势，尤其是面对大型离线批处理任务，地位难以动摇。
HDFS为分布式计算框架(如Spark和MapReduce )提供了大量的数据存储服务，同时HBase和Hive的基础存储也依赖于HDFS。 与Hadoop生态的密切联系也稳定地占据着市场主流。
优点：
容错能力—数据会自动存储多个拷贝，并在拷贝丢失后自动恢复
适用于批处理。 移动计算而不是数据。 数据位置将公布在计算框架中
适用于大数据处理。 是GB、TB、甚至GB级的数据。 百万以上的文件数。 10K节点规模。
访问流文件：一次写入，多次读取。 保证数据的一致性。
可构建在廉价的设备上：通过多拷贝提高可靠性。 提供容错和恢复机制。
缺点：
不适合低延迟的数据访问场景。 毫秒级别、低延迟、高吞吐量等
不适用于占用NameNode大量内存的小文件访问场景。 搜寻时间超过了读取时间。
不适合同时写入。 文件随机更改场景。 一个文件里只有一个写手。 仅支持append
不符合posix语义，需要在SDK上进行读写操作。 java支持良好，其他语言一般
Ceph企业级存储要求通常分为块存储、文件存储和对象存储，但Ceph可以同时满足这三个要求。 Ceph将企业中的三个存储需求整合到单个存储系统中，并提供三个存储界面，提供分布式、横向扩展和高可靠性存储，具有高可用性、高性能和可扩展性等特点。
优点：
支持对象存储(OSD )集群，CRUSH算法可完成文件的动态定位，提高处理效率
符合posix语义，支持FUSE装载，降低客户端开发成本，通用性强
支持分布式MDS/MON，无单点故障
强大的容错能力和自我修复能力
支持在线扩展和冗馀备份，提高系统可靠性
缺点：
目前正处于试验阶段，系统的稳定性有待研究
部署和运输复杂，集群管理工具少
FastDFSFastDFS是用c语言开发的开源轻量级分布式文件系统，包括文件存储、文件同步和文件访问(文件上传/下载) 特别适用于以图像网站、视频网站等文件为媒体的在线服务。 追求性能和可扩展性的FastDFS适合视为基于文件的key value pair存储系统，称为分布式文件存储服务。
优点：
支持在线扩展机制，提高系统可扩展性
实现了软RAID，提高了系统的并发处理能力和数据容错能力
支持主从文件，自定义扩展名
学好追踪器服务，提高系统可用性
缺点：
不支持POSIX通用接口访问，通用性低
公共网络之间的文件同步有很大的延迟，需要应用适当的容错策略
同步机制不支持文件正确性检查，这会降低系统可用性
通过API下载，存在单点性能瓶颈
MooseFSMooseFS出现在HDFS之后，也是类似的MDS OSS架构。 与HDFS不同，MooseFS没有假设在其上运行的业务，也没有假设业务是大文件或大文件。 也就是说，MooseFS是ext4、XXT那样的定位
优点：
扩展成本低，支持在线扩展，不影响业务，体系结构可扩展性非常高
支持访问POSIX通用接口，支持FUSE装载，降低客户端开发成本，通用性强
文件对象具有高可用性，可以设置任何文件冗馀(提供高于Raid 10的冗馀级别) ) ) ) ) ) ) ) ) ) ) )。
提供系统负载，将数据读写分配给所有服务，提高读写性能
实现了软RAID，提高了系统的并发处理能力和数据容错能力
数据恢复相对容易，提高了系统可用性。 有垃圾桶功能，方便业务定制
缺点：
主服务器点解决方案的稳健性。 如果主服务器出现问题，则Metalogger Server可以恢复到主服务器的升级，但需要恢复时间
主服务器本身的性能瓶颈。 MFS的主从体系结构类似于MySQL的主从复制，可以从扩展，但主站不容易扩展
存储在MFS体系结构中的文件总数增加会增加主服务器的内存需求
以上简要介绍了大数据开发、分布式文件存储系统。 分布式文件系统是解决大数据存储问题的重要基础支持，需要了解市场上的主要分布式存储产品。