Cassandra数据存储：数据目录空间不等于占用空间

Question

这是关于 Cassandra 架构的初学者问题。

我有一个 3 节点 Cassandra 集群。数据目录位于 $CASSANDRA_HOME/data/data。我已经加载了一个巨大的数据集。我做了nodetool flush 然后nodetool tablestats 在我加载数据的表上。这表示占用的总空间约为 50GiB。我很好奇并检查了每个节点上我的数据目录du $CASSANDRA_HOME/data/data 的大小，每个节点显示大约 1-2GB。数据目录怎么会小于单个表占用的空间？我错过了什么吗？我的表是用replication factor 1创建的

Answer 1

du 给出了分配给它的路径所使用的真实存储容量。这并不总是与这些路径中存储的数据大小直接相关。

与您可能获得的任何其他存储使用信息（例如，来自 Cassandra）相比，有两个主要因素混淆了 du 的输出。

1. du 给出的数字可能比预期的要小，原因有两个： ⓐ 它结合了硬链接。这意味着如果给它的路径包含硬链接文件（我不会在这里解释硬链接，但这个术语是 Unixish 操作系统的固定术语，因此可以轻松查找），这些都被计算在内只有一次，而文件存在多次。 ⓑ 知道稀疏文件；这些文件包含大量（有时是巨大的）空白区域（零字节）。在许多 Unixish 文件系统中，这些文件可以有效地存储，具体取决于它们的创建方式。
2. du 可能会给出比预期更大的数字，因为文件系统有一些开销。因此，要存储 n 个字节的文件，需要存储 n + h 个字节。 h 取决于文件系统及其配置。最重要的因素是文件系统通常以块结构存储文件。如果一个文件的大小不完全是文件系统块大小的倍数，则最后需要的块仍然由该文件完全分配，因此如果浪费了它的一些大小。 du 将显示整个块已分配，因为事实上，它是。

因此，在您的情况下，Cassandra 可能会谈论占用 50GiB 的空间，但其中很多可能是空的（从不写入）空间。这可能存储在文件系统上的稀疏文件中，实际上只使用 2GiB 的存储大小（du 显示）。