Hadoop HDFS中的数据块和Map任务的分片

HDFS的数据块

磁盘数据块是磁盘进行数据读/写的最小单位，一般是512字节,

而HDFS中也有数据块，默认为64MB。所以HDFS上的大文件被分为许多个chunk.而HDFS上的小文件（小于64MB)的文件不会占据整个块的空间。

HDFS数据块设置大的原因是减少寻址开销，数据备份也是以块为单位的。

用Hadoop fsck / -files -blocks 命令可以检查HDFS根目录(/)下所有文件，块的健康状况：

 

Map任务的分片：

为什么推荐Map任务的分片尺寸和HDFS基本块的大小一致为最佳呢？

因为有3个因素：

a.map任务数=输入文件总大小/分片尺寸，所以分片越大，map任务数越少，从而系统执行开销越小。

b.管理分片的开销：显然是分片越大，则分片数量越少，越容易管理。

从a,b因素来看，貌似是分片越大越好。

c.网络传输开销

但是，如果分片太大以至于一个分片要跨越多个HDFS块，则一个map任务必须要由多个块通过网络传输，所以分片大小的上限是HDFS块的大小。

综上所述，map任务时的分片大小设置为HDFS块的大小是最佳选择。

 

hadoop上的时间计算

hadoop上的计算时间 = hadoop框架自身耗时 + 数据单机处理时间 / 计算并发度。
其中，hadoop框架自身耗时大约在10s左右，如果参数设置的不好，可能会比较长，不过最多估计也就半分钟左右。

计算并发度取决于两个因素：
1. 数据占用的分块数取决于你的文件在hadoop上存放时设置的块大小，默认是64M，你看一下是不是这么大，分块数量=文件大小/块大小。
2. hadoop设置的最大并行任务数，你看一下jobtracker上运行时某个时刻running状态的task数量就是了，通常这个值是比较稳定的。

更多Hadoop相关信息见Hadoop 专题页面 http://www.linuxidc.com/topicnews.aspx?tid=13

本篇文章来源于 Linux公社网站(www.linuxidc.com)  原文链接：http://www.linuxidc.com/Linux/2012-05/61195.htm