2. 分布式文件系统 HDFS
1. 引入HDFS【面试点】
问题一:如果一个文件中有 10 个数值,一行一个,并且都可以用 int 来度量。现在求 10 个数值的和
思路:
- 逐行读取文件的内容
- 把读取到的内容转换成
int
类型 - 把转换后的数据进行相加
- 输出最后的一个累加和
问题二:10000 个文件,每个文件 2T,文件里的内容依然是每行一个数值,求这一堆文件的所有数值的和
思路与方案:
- 使用单进程的程序执行,即一行一行读取(串行),可能会计算出结果,但效率很低,且大概率是算不出来
- 将串行改为并行,即分布式运算:
- 第一阶段:先把大的任务切分成小的任务,然后将集群中的每个节点都可以对这些小任务进行计算
- 第二阶段:将之前中间性的结果进行汇总
问题三:问题二中的 10000 个 2T 的文件应该怎么分布才能让这 10000 个任务的执行效率达到最高?
思路:
- 如果集群有 10000 个节点,每个节点都放了一个文件,然后对每个节点上的数据启动计算引擎进行任务的计算,这样效率高
- 计算在 A 节点,存储的数据在 B 节点,这样效率不高;计算和存储