hadoop

1.hdfs(hadoop distributed file system):

1）超大文件

2）流式数据访问:一次写入，多次读取。通常由数据源生成或者从数据源复制而来。

3）商用硬件：对节点出错的自动容错

4）低时间延迟的数据访问

      不适合低时间延迟的数据访问。hdfs为高数据吞吐量应用优化，提高时间延迟为代价。对于低延迟的访问需求，hbase更加适合

5）大量的小文件

      由于namenode将文件系统的源数据存储在内存中，因此数据的存储依赖于namenode内存的大小。

      每个文件的存储信息大约在150字节，如果一百万个文件，至少需要300M内存。

6）多用户存储，任意修改文件

      hdfs文件可能只有一个writer,而且写操作总是将数据添加在文件末尾，不支持多个写入者的操作，也不支持对文件的任意位置做修改。

HDFS概念：

1.data block:

 文件系统块一般为几千字节，磁盘块一般512字节。系统通过df和fsck来维护

hdfs的block大小默认为64MB，文件被划分为chunk，作为独立的存储单元。

与其他文件存储系统不同，hdfs小于一个块大小的文件不会占据整个块的空间。

hdfs的block大于磁盘的block 目的是为了最小化寻址开销。

.hadoop streaming (使用unix标准流做为hadoop和应用程序的接口)

map输出的键值对是以一个制表符分割的行，并且写入标准输出reduce函数的输入个数与之相同。