Hadoop权威指南读书笔记(1) － MapReduce和HDFS简介

最近开始读<< Hadoop:the definitive guide>>，于是打算写点读书笔记，书电子版见网盘，密码v66s。

原书推荐的读书顺序如下图：

这里我们就按从第一章到最后一章的顺序读吧.

Chapter 2: MapReduce

mapreduce思想

MR的思想非常简单，如下图所示：

1. Map将按照行读入输入文件，然后将它们parse为若干个< Key,Value>对
2. 将map生成的KV对打乱并按照Key 排序
3. Reduce将所有key相同的KV对聚集在一起，组成一个< K, List< Value>>对列，并获得List< Value>的Iterator，然后再进一步处理，最后输出新的KV对到文件中。

mapreduce程序的实现

MapReduce一般用Java实现，故我们需要注意以下的地方：

• Map输出的KV对的数据类型必须和reduce接受的输入类型一致。
• 输入可以用addInputPath定义，参数可以是一个文件，一个目录，或者一个文件匹配模式。
• 输出用setOutputPath定义，参数必须是一个不存在的目录。
• 我们需要用setOutputKey和setOutputValue来设定reduce的输出类型。如果map的输出类型和reduce输出类型一样，则不需要再设置，否则用setMapOutputKey等
• 最后waitForCompletion()返回job是否执行成功，并且接受一个boolean参数，如果为真则打印进程执行信息，否则不打印。

mapreduce的数据流

我们需要注意的以下几点：

• Hadoop将输入分割成若干个大小固定的块，称之为splits，每一个splits对应一个map task.
• 在创建map task时，hadoop会遵循data locality optimization。即优先考虑存储对应splits的机器，如果不行则考虑同一个机架上的机器，这两个都不满足，才会去考虑其他机架上的机器。如下图：
  

• map task将它的输出写在本地磁盘，而不是HDFS，因为这些数据都是暂时的，只需要作为输入提供给reduce，并不是最终结果。

  此外还需要说明一点，在一些情况下，我们可以实现一个combiner函数，这个函数工作在每一个map之后，将map函数的输出先聚合好，再将其输出到reduce中。这样可以将map输出的中间结果规模减小，减少和reduce通信的规模。

Chapter 3: The Hadoop Distributed Filesystem

HDFS的设计和基本概念

HDFS被设计用于下面三个目的：

• 大文件(very large files):几百M,G,T甚至更多。
• 流式数据访问(Streaming data access):由于大部分数据访问场景都是写入一次，读取多次，故读取整个数据的时间比读区第一条记录的延迟要重要得多。
• 廉价硬件(Commodity hardware):Hadoop集群往往运行在大量的廉价硬件上(例如机械硬盘)，因此节点出错的几率非常高。HDFS要求在用户不察觉到出错的情况下完成工作。

综上所述，HDFS不适用于下面的情况：

• 低延迟访问(low-latency data access): Hbase更适合低延迟访问。
• 大量小文件(lots of small files): namenode把文件的元数据都存储在内存(每条文件，目录和块都占大约150bytes)，大量的小文件会给namenode的内存带来巨大压力。
• 多个写入者和文件修改(Multiple writes and arbitrary file modifications): HDFS只支持append的修改操作。

块(Block)

磁盘有一个Block的概念，它是磁盘读/写数据的最小单位，一般为512bytes。HDFS也有Block的概念，但它的块是一个很大的单元，默认是64MB。像硬盘中的文件系统一样，在HDFS中的文件将会按块大小进行分解，并作为独立的单元进行存储。但和硬盘中的文件系统不一样的是，存储在块中的一个比块小的文件并不会占据一个块大小盘物理空间(HDFS中一个块只存储一个文件的内容)。

HDFS中块之所以这么大主要有两个原因：

1. 较大的块可以在读取相同大小数据的前提下，寻道时间更小。是的数据传输总时间更少。
2. 但块的大小也不宜过大，因为mapreduce的map一般每次处理一个块。太大的块会导致块数目变少，从而map个数变少，降低mapreduce性能。

HDFS中块的好处：

1. 文件可以任意大：文件被拆分成块存储起来，而所有的块不需要在同一个节点上。
2. 简化了系统的设计：快大小的固定使得每块硬盘可以存储多少个块变得非常容易计算。
3. 更利于数据备份：每个块都可以单独做备份。

名字节点(namenode)和数据节点(datanode)

HDFS中的节点是master-slave的工作模式，因此分为两种: 一个namenode 和多个 datanode。

Namenode负责管理文件系统命名空间，例如维护文件系统的树结构，还有树中所有文件和目录的元数据。这些信息分为两个部分: fsimage和edit log，前者是一个对hdfs文件系统的快照而后者是文件系统的改动序列。此外它知道一个文件的全部块在哪些datanode上。

Datanode则负责存储和读取这些blocks。此外他们还要定期向namenode报告存储的blocks的情况。

由于没有namenode, hdfs就不知道文件的组织结构，因此hadoop1.0中对namenode提供了两个容错机制：

• 一个是namenode将自己的状态备份到多个文件系统中。这些备份过程是原子且异步的，而且一般被备份到本地磁盘。
• 还有一个是运行一个secondary namenode(之前那个namenode被称为primary namenode)。这个s-node并不能单纯看作p-node的备份节点。事实上s-node会定期访问p-node的fsimage和edit log并将其合并成新的fsimage，从而保证edit log不会太大。

但是这种primary-secondary的备份方式仍然不够好，实际上显然namenode仍然是单点失败的(single point of failure) ，因此如果它失败时从secondary恢复可能需要很久(如半个小时)。在hadoop2.0中提供了新的解决办法，即提供了对HA(high availability)的支持：active-standby namenodes。这种新的容错机制有和上面的相比如下特点：

• edit logs被存储在一个共享空间里面，这样active和standby的namenodes都可以访问它们。从而在两者的内存中都有最新的数据。
• datanodes必须定期向两个namenodes发送blocks报告。
• 原来secondary namenode的角色被standby namenode替换。

这里的共享空间除了用NFS储存，hadoop本身还提供了QJM(quorum journal manager)，这也是它推荐的方法。QJM使用了paxos协议，因此只要保证过半的存储节点没有失败，就不会导致edit logs丢失。利用了上面新的设计后，standby namenode可以在很多时间内(例如几十秒)接管active namenode的工作，原因是edit logs仍然在内存中，并且standby namenode中有最新的block mapping。

最后，如果standby namenode失败了，则直接从hadoop 集群中冷启动即可。这不会比non-HA的效果更差。

命令行和API

这部分略过，因为网上有很多相关博客，只说一点：
副本的概念对目录是无效的，因为它们的信息都用元数据存储在namenode中。

数据流

HDFS读写的过程见下面两张图，十分简单直接，这里不再赘述，有兴趣可以查阅其他博客。

这里简单展示一下hadoop的节点距离和3副本备份策略：


实际上hadoop先把第一个副本存在client所在的那个namenode(如果是外部的client则随机选取一个)，然后把第二和第三个副本存在其他机架上的两个不同的node中。至于更多的副本则随机存储。

我们还需要介绍一下一致性模型(coherency model)，即文件在读写时的数据可见性。HDFS中，所有block只有在写完后才对用户可见，如果它正在写则是用户不可见的。因此HDFS提供了两个函数来帮助用户：

• hflush(): 保证之前写入的数据都对用户可见。
• hsync(): 不仅仅保证可见，还将其写入持久性介质(如硬盘)。

最后我们在提一个hdfs指令:
hadoop distcp < dir1 > < dir2 >
这是hdsf并行地拷贝文件，往往在大规模数据迁移时很有用。