HDFS数据存储，文件块与spark的分区概念

HDFS数据存储，文件块与spark的分区概念

HDFS中数据以文件块的形式存储在DataNode上，

比如一个1GB的数据文件，会切分成多个128M的文件块，

数据写入存储的时候，每个128M文件块会存放在一个DataNode上，

同时通过机架感知，在最近的两个DataNode节点上分别存放2个副本文件。

ps：极限情况，如果128M文件块的个数超过DataNode的个数，会随机选出DataNode存放多余的文件块，但是一个128M文件块只存储在一个DataNode中，机架感知出最近的两个DataNode存放其副本。

这样spark在读取HDFS数据进行计算的时候，先通过hadoop获取每个文件块所在的DataNode节点位置，然后把每个文件块从各自所处节点的磁盘传输到各自所处节点的RAM中，这样每个节点的RAM中的128M文件块的数据，就构成spark的一个分区数据，交给executor的一个core去计算，每个节点在RAM中只计算该节点上文件块的数据，最后数据汇总生成最终数据。