大数据学习之路（七）——学习小结
个人目前学习的总结，如有问题，发现的时候会修正，用于个人回顾，有错误的地方欢迎留言指出
通过前几篇的学习
- hadoop单节点伪分布式
- hadoop完全分布式
- hadoop完全分布式高可用(HA) zookeeper
- yarn高可用
- hdfs
- MapReduce
了解了hadoop基本的搭建，和前期可能遇到的问题。
以下是对各个功能组件的理解。
1.HADOOP
Hadoop分布式文件系统（HDFS）是一种分布式文件系统，设计用于在商品硬件上运行。它与现有的分布式文件系统有许多相似之处。但是，与其他分布式文件系统的差异很大。HDFS具有高度容错能力，旨在部署在低成本硬件上。HDFS提供对应用程序数据的高吞吐量访问，适用于具有大型数据集的应用程序。HDFS放宽了一些POSIX要求，以启用对文件系统数据的流式访问。HDFS最初是作为Apache Nutch网络搜索引擎项目的基础架构而构建的。HDFS是Apache Hadoop Core项目的一部分。
2.NameNode和DataNodes
HDFS具有主/从架构。一个HDFS集群包含一个NameNode，一个主服务器，用于管理文件系统名称空间并管理客户端对文件的访问。此外，还有许多DataNode，通常是群集中的每个节点一个DataNode，用于管理连接到它们所运行的节点的存储。HDFS公开文件系统名称空间并允许用户数据存储在文件中。在内部，文件被分成一个或多个块，这些块存储在一组DataNode中。NameNode执行文件系统命名空间操作，如打开，关闭和重命名文件和目录。它还确定块到DataNode的映射。DataNode负责提供来自文件系统客户端的读取和写入请求。DataNode还执行块创建，删除。
NameNode和DataNode是设计用于在商品机器上运行的软件。这些机器通常运行GNU / Linux操作系统（OS）。HDFS使用Java语言构建; 任何支持Java的机器都可以运行NameNode或DataNode软件。使用高度可移植的Java语言意味着HDFS可以部署在各种机器上。典型的部署有一台只运行NameNode软件的专用机器。群集中的每台其他机器运行DataNode软件的一个实例。该体系结构不排除在同一台机器上运行多个DataNode，但在实际部署中很少出现这种情况。
集群中单个NameNode的存在极大地简化了系统的体系结构。NameNode是所有HDFS元数据的仲裁者和存储库。该系统的设计方式是用户数据永远不会流经NameNode。
总而言之，namenode负责记录文件存储在datanode上的位置，datanode则负责存储数据
3. Zookeeper
ZooKeeper是一个分布式的开源协调服务，用于分布式应用程序。它公开了一组简单的原语，分布式应用程序可以构建这些原语，以实现更高级别的服务，以实现同步，配置维护以及组和命名。它的设计易于编程，并使用在熟悉的文件系统目录树结构之后设计的数据模型。它运行在Java中，并且对Java和C都有绑定。
众所周知，协调服务很难做到正确。它们特别容易出现诸如竞态条件和死锁等错误。ZooKeeper背后的动机是减轻分布式应用程序从头开始实施协调服务的责任。
总而言之，zookeeper负责保证各个服务的高可用，我们在搭建伪分布式的时候存在SN，用于进行的edits和fsimage的合并，但是当namenode挂掉后，SN并不能起到替代NN的作用，为了保证项目中namenode的高可用，我们接入zookeeper，并启用多台NN，其中有一台NN处于active状态，其他的standby，而standby的节点不仅起到了备份的作用，还承担了SN的功能。很多架构都用到了zookeeper，来保证他们的高可用。
4.Yarn
YARN的基本思想是将资源管理和作业调度/监控的功能分解为单独的守护进程。这个想法是有一个全局的ResourceManager（RM）和每个应用程序的ApplicationMaster（AM）。应用程序可以是单个作业，也可以是DAG作业。
ResourceManager和NodeManager构成了数据计算框架。ResourceManager是仲裁系统中所有应用程序之间资源的最终权威机构。NodeManager是负责容器的每机器框架代理，监视它们的资源使用情况（cpu，内存，磁盘，网络），并将其报告给ResourceManager / Scheduler。
每个应用程序的ApplicationMaster实际上是一个特定于框架的库，并负责从ResourceManager协商资源，并与NodeManager一起工作来执行和监视这些任务。
ResourceManager有两个主要组件：Scheduler和ApplicationsManager。
调度程序负责将资源分配给各种正在运行的应用程序，这些应用程序受到容量，队列等熟悉的限制。调度程序是纯调度程序，因为它不会监视或跟踪应用程序的状态。此外，由于应用程序故障或硬件故障，它无法保证重启失败的任务。调度器根据应用程序的资源需求执行其调度功能; 它是基于资源容器的抽象概念来实现的，容器包含内存，CPU，磁盘，网络等元素。
调度程序有一个可插拔策略，负责在各种队列，应用程序等之间对集群资源进行分区。当前调度程序（如CapacityScheduler和FairScheduler）将是插件的一些示例。
ApplicationsManager负责接受作业提交，协商执行特定于应用程序的ApplicationMaster的第一个容器，并提供失败时重新启动ApplicationMaster容器的服务。每个应用程序的ApplicationMaster负责从调度程序中协商适当的资源容器，跟踪其状态并监视进度。
hadoop-2.x中的MapReduce 与以前的稳定版本（hadoop-1.x）保持API兼容性。这意味着只需重新编译，所有MapReduce作业仍应在YARN之上保持不变。
YARN支持的概念，资源预留通过ReservationSystem，即允许用户在指定时间资源和时间的限制（例如，截止日期），以及后备资源的配置文件，以确保重要jobs.The可预见的执行组件ReservationSystem跟踪资源过时，对预留执行准入控制，并动态指示底层调度程序确保预留满员。
为了将YARN扩展到几千个节点之外，YARN 通过YARN Federation功能支持Federation的概念。Federation允许透明地将多个YARN（子）群集在一起，并使它们看起来像一个单一的大型群集。这可以用于实现更大规模，和/或允许将多个独立的群集一起用于非常大的工作，或者对于所有人都具有容量的租户。
总而言之，yarn是我们编写MapReduce必备的组件，起到了资源调度的作用，他还保证了datanode的高可用，而zookeeper又保证了yarn的高可用。
5. MapReduce
Hadoop MapReduce是一个软件框架，用于轻松编写应用程序，以可靠的容错方式在大型群集（数千个节点）的大型商业硬件上并行处理大量数据（多TB数据集）。
MapReduce 作业通常将输入数据集分成独立的块，由地图任务以完全平行的方式进行处理。框架对映射的输出进行排序，然后输入到reduce任务。通常，作业的输入和输出都存储在文件系统中。该框架负责调度任务，监控它们并重新执行失败的任务。
通常，计算节点和存储节点是相同的，即MapReduce框架和Hadoop分布式文件系统（请参阅HDFS体系结构指南）在同一组节点上运行。该配置允许框架在数据已经存在的节点上有效地调度任务，从而在整个集群中产生非常高的聚合带宽。
MapReduce框架由单个主资源管理器，每个集群节点的一个从属NodeManager和每个应用程序的MRAppMaster组成（参见YARN体系结构指南）。
最小程度上，应用程序通过实现适当的接口和/或抽象类来指定输入/输出位置并提供映射和减少函数。这些和其他作业参数构成作业配置。
然后，Hadoop 作业客户端将作业（jar /可执行文件等）和配置提交给ResourceManager，然后负责将软件/配置分发给从服务器，安排任务并监控它们，向作业提供状态和诊断信息，客户。
尽管Hadoop框架是用Java™实现的，但MapReduce应用程序不需要用Java编写。
总而言之，MapReduce始终计算架构，他负责分布式的运算数据，他的数据来源可以不仅仅来自于hdfs，传统的计算是以计算服务为主，将数据放置在计算服务上进行计算，而如今数据量飞速增长的时代，这几乎是一件不可能的事情，MapReduce就是为了解决这个现象而产生的计算框架，他执行在各个数据节点，并发计算，保证了数据处理的速度。
(input) -> map -> -> combine -> -> partition-> sort -> group -> reduce -> (output)
中间所有的环节，我们都可以根据我们自己的业务逻辑重写
1. map
逐行得到元数据并进行拆分
2. combine
可以提前对map节点中的部分数据进行排序和合并，但是必须保证他的inputkey和outputkey一致，inputvalue和outputvalue一致，combine可以用于减少reduce的压力。
3. partition
可以根据自己的规则将数据均匀划分，分配给节点进行运算，默认是hash值%节点数。
4. sort
可以根据自己的项目需求重写排序规则，当你的mapreduce不为简单数据时，你可以对他进行重写，已得到你想要的排序效果
5. group
将排序好的数据进行分组，提供给reduce进行计算，例如，你的key是a-b-c形式的数据，你想将ab相同的分为同一组递交给reduce，那么你可以在这里修改group的规则。
6. 自定义结构类型
必须 implements WritableComparable，实现write（写序列化）、readFields（度序列化）、compareTo（比较）