分布式文件系统 之 数据块（Block）

众所周知，HDFS中以数据块（block）为单位进行存储管理。本文简单介绍一下HDFS中数据块（block）的概念，以及众多分布式存储系统（不止是HDFS）使用block作为存储管理基本单位的意义。

数据块

数据块的概念并不陌生，在磁盘中，每个磁盘都有默认的数据块大小，这是磁盘进行数据读/写的最小单位，磁盘块一般为512字节。在分布式文件系统中，数据块一般远大于磁盘块的大小，并且为磁盘块大小的整数倍，例如，HDFS block size默认为64MB。

分布式存储系统中选择大block size的主要原因是为了最小化寻址开销，使得磁盘传输数据的时间可以明显大于定位这个块所需的时间。然而，在HDFS中block size也不好设置的过大，这是因为MapReduce中的map任务通常一次处理一个块中的数据，因此如果block太大，则map数就会减少，作业运行的并行度就会受到影响，速度就会较慢。

Why block

在很多分布式文件系统中我们都可以看到block的存在，这种设计的好处主要有以下几点：

1. 存储的文件大小可以大于集群中任意一个磁盘的容量。这很好理解，文件被划分到多个block中存储，对磁盘透明；
2. 使用block抽象而非整个文件作为存储单元，可以极大简化存储子系统的设计。因为block size是统一的，因此一个节点上可以存储多少block就是可以推算的；
3. Block 非常适合用于数据备份，进而提供数据容错能力和可用性。

Why bigger block

在普通文件系统中，使用较大的磁盘块：

1. 可以减少管理数据块需要的开销。如在Linux中可以减少保存在i-node中磁盘地址表中的信息链的长度；
2. 在对文件进行读写时，可以减少寻址开销，即磁盘定位数据块的次数。

在HDFS中，使用大数据块：

1. 可以减少名字节点上管理文件和数据块关系的开销；
2. 对数据块进行读写时，可以有效减少建立网络连接需要的成本。

Block VS. Chunk

由于我也是最近才开始比较仔细的接触Hadoop，GFS中的DataNode又被称为ChuckServer，因此经常会被HDFS中的block和chunk搞得confused掉。今天看到了一个比较好的解释，在这里记录一下：

block：如上文，是HDFS中的存储管理单元，类似磁盘的block。

chuck：HDFS中存储的文件被划分为多个块（chuck），每个chuck的大小与block的大小相同（除了最后一个chuck），这些文件chuck就被存储到block中。

好啦，记录的很简单。以前很喜欢一篇文章记录的很详尽，因此很久都憋不出一篇博文，就算准备充分可以开写了，但是又会觉得好长，懒得写。所以呢，为了让自己学习得更有节奏吧，现在决定有点感悟就记录下来，方便以后查看。当然，也可以一段时间merge 整理一下 相关的短文啦！

YUKI，干巴爹 哈哈

参考

《Hadoop权威指南》（第二版）P43

《Hadoop技术内幕：深入解析Hadoop Common和HDFS架构设计与实现原理》 P218