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