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
低头不见1 小时前
一个服务器算分布式吗,分布式需要几个服务器
运维·服务器·分布式
麻芝汤圆1 小时前
使用 MapReduce 进行高效数据清洗:从理论到实践
大数据·linux·服务器·网络·数据库·windows·mapreduce
树莓集团2 小时前
树莓集团海南落子:自贸港布局的底层逻辑
大数据
不剪发的Tony老师2 小时前
Hue:一个大数据查询工具
大数据
靠近彗星2 小时前
如何检查 HBase Master 是否已完成初始化?| 详细排查指南
大数据·数据库·分布式·hbase
墨染丶eye3 小时前
数据仓库项目启动与管理
大数据·数据仓库·spark
SelectDB3 小时前
Apache Doris 2025 Roadmap:构建 GenAI 时代实时高效统一的数据底座
大数据·数据库·aigc
遇到困难睡大觉哈哈4 小时前
Git推送错误解决方案:`rejected -> master (fetch first)`
大数据·git·elasticsearch
Roam-G4 小时前
Elasticsearch 证书问题解决
大数据·elasticsearch·jenkins
深蓝易网4 小时前
为什么制造企业需要用MES管理系统升级改造车间
大数据·运维·人工智能·制造·devops