Hadoop -- 分布式文件系统

1、分布式文件系统的思想:文件切分的思想(分而治之)

当文件存储在磁盘中,不仅效率比较低,并且文件的大小可能会超出单机的存储的范围。

所以分而治之的思想就是:

不管文件有多大,所有的文件都是由字节数组构成,当想要切分文件的时候,就是将一个字节数组切分成多份,当需要使用这份数据的时候,就可以根据偏移量将字节数据拼接在一起,此时数据又可以继续使用。

2、Block的拆分标准:

1、block是磁盘进行数据读/写的最小单元,数据被切分后的一个整体叫做块。在Hadoop1.0的版本中,默认的大小是64M,在Hadoop2.0以及后面的版本中,默认的大小是128M,这样的目的是达到最小的寻址开销。

2、在同一文件中,每一个block的大小是基本一致的,除了最后节点之外。然么对于不同的文件的block的大小是可以不一样的,不同的文件的大小可以设置成不同数量的block数量。

3、数据块的个数=Ceil(文件大小/每个块的大小)

3、对于block需要等大的原因:

1、可以达到最小的寻址的开销。

2、可以再计算的时候降低计算的复杂度。

3、可以通过偏移量来确定block的位置,并来拉取数据。

4、对于相同的文件block因该是等大的。

5、对于拉去的时间会基本一致。

注意事项

a. 只要有任意一个块丢失,整个数据文件被损坏

​ b. HDFS中一旦文件被存储,数据不允许被修改 ​ 修改会影响偏移量,修改会导致数据倾斜(单节点数据量过多),修改数据会导致蝴蝶效应 ​

c. 但是可以被追加(一般不推荐) ​ 追加设置需要手动打开 ​

d. 一般HDFS存储的都是历史数据.所以将来Map Reduce都用来进行离线数据的处理 ​

f. 块的大小一旦文件上传之后就不允许被修改 128M-512M

4、block保证数据的安全:

a. 只要有任意一个块丢失,整个数据文件被损坏 ​

b. 肯定要对存储数据做备份 ​

c. HDFS是直接对原始数据进行备份的,这样能保证恢复效率和读取效率 ​

d. 备份的数据肯定不能存放在一个节点上,使用数据的时候可以就近获取数据 ​

f. 备份的数量要小于等于节点的数量

g. 每个数据块默认会有三个副本,相同副本是不会存放在同一个节点上 ​

h. 副本的数量可以变更 ​ 可能近期数据被分析的可能性很大,副本数可以多设置几个 ​ 后期数据很少被分析,可以减少副本数

相关推荐
成长之路51414 小时前
【面板数据】各省制造业出口技术复杂度数据集(2010-2023年)
大数据
翰林小院14 小时前
【大数据专栏】大数据框架-Apache Druid Overview
大数据·durid
Learn Beyond Limits16 小时前
Error metrics for skewed datasets|倾斜数据集的误差指标
大数据·人工智能·python·深度学习·机器学习·ai·吴恩达
IT研究室17 小时前
大数据毕业设计选题推荐-基于大数据的宫颈癌风险因素分析与可视化系统-Spark-Hadoop-Bigdata
大数据·hadoop·spark·毕业设计·源码·数据可视化·bigdata
武子康17 小时前
Java-118 深入浅出 MySQL ShardingSphere 分片剖析:SQL 支持范围、限制与优化实践
java·大数据·数据库·分布式·sql·mysql·性能优化
IT毕设梦工厂17 小时前
大数据毕业设计选题推荐-基于大数据的高级大豆农业数据分析与可视化系统-Hadoop-Spark-数据可视化-BigData
大数据·数据分析·课程设计
专注数据的痴汉18 小时前
「数据获取」《中国服务业统计与服务业发展(2014)》
大数据·人工智能
镜舟科技18 小时前
告别 Hadoop,拥抱 StarRocks!政采云数据平台升级之路
大数据·starrocks·数据仓库·hadoop·存算分离
毕设源码-赖学姐18 小时前
【开题答辩全过程】以 基于Hadoop电商数据的可视化分析为例,包含答辩的问题和答案
大数据·hadoop·分布式
时序数据说19 小时前
时序数据库IoTDB的核心优势
大数据·数据库·物联网·开源·时序数据库·iotdb