hadoop - HDFS - 一个大文件或几个块大小的小文件

Question

所以我在理解应该以哪种方式存储大文件时遇到了一些问题。例如，我的 HDFS 中的块大小是 128MB，而我有一个 1GB 的文件。

我知道保存小于块大小的文件不是最佳做法，我理解为什么。

但是我应该如何处理大文件，对于我的 1GB 文件，我应该保存 1 个文件还是 8 个文件，每个文件 128MB，为什么？

标签： hadoophdfsbigdata

Answer 1

您可以使用 1GB 存储 1 个文件。Hadoop 会自动将该文件存储在 8 个块中。Hadoop 是为更大的文件而不是更小的文件设计的。请注意，Block 是 hadoop 中的物理存储。

由于您没有提到集群中的拆分大小，所以我假设它是 128 MB。拆分是您并行性所依赖的东西。因此，如果您在 128 个拆分大小上处理 1 GB 文件，将调用 8 个映射器（每个拆分 1 个映射器）。如果您存储 8 个文件，每个文件 128 mb。您的 Namenode 将有不必要的开销来维护有关这 8 个文件的信息。在 8 个文件的情况下，与 1 GB 文件相比，性能可能或多或少相似，但在 1 GB 文件有 8 个块的情况下肯定会更好。

不要与 hadoop 中的块混淆，它们只是像其他文件系统一样的存储单元。无论文件有多大，Hadoop 都会自动处理存储，并将文件分成块。在 i/o 操作中存储小文件将是不必要的。