hadoop（1）：hadoop概述

---

hadoop概述

hadoop是 Doug Cutting 在 Lucene
之后的一个项目
主要用于 计算
是一个 开源，可靠，可扩展 的分布式计算框架
主要有

• hdfs
  • 也就是 hadoop 的 dfs（Distributed File System）
• MapReduce
  • 也就是核心想法（先Map，再reduce）
  • java8 里面也看见对应的方法，感觉如果数据量小，现在用别的也可以实现，只是时间会长很多
• yarn
  • 分布式资源调度

当然，hadoop1 和 hadoop2 的一些名词有变化
但是，对应的实现，是没有太大区别的
好处是，可以多台机器同时处理，通过心跳去及时获取计算结果

---

hadoop的场景

一般可以用于

• 日志分析
• 海量数据的计算
• 复杂算法
• 搜索引擎
• dsp获取的个人数据以及为行为分析提供数据

对应的hadoop生态圈

hadoop生态图

• Zookeeper
  • 分布式协作服务
• HBase
  • 一个实时的nosql
  • sql（关系型数据库） 和 nosql（非关系型数据库）
    • mysql， Oracle、SQLServer、DB2 都是关系型数据库（当数据量不是太大的时候，有又是）
    • MongoDB（很常见的nosql）， Redis（很常见的内存数据库），Vertica（很少人用，原来公司用过，很强大），HBase
• Hive
  • 数据仓库
  • 存储数据用
• Pig
  • 数据流处理
• Mahout
  • 数据挖掘库
  • 哎，超级难
  • 感觉数学要好，算法要好
• MapReduce
  • 计算的核心
• HDFS
  • hadoop的 dfs（Distributed File System）分布式文件系统
  • 感觉记住几个命令就行了
• Flume
  • 日志收集
• Sqoop
  • 数据库ETL，转换数据（Hive -> HBase， HBase -> Hive 等）
  • 没了解过

---

Hadoop核心

Hadoop Common

• 很多项目都有common模块
• 常用的基础，都放在里面
  Hadoop HDFS
• hadoop的 dfs（Distributed File System）分布式文件系统
  Hadoop MapReduce
• 分布式离线并行计算框架
• 也就是核心想法（先Map，再reduce）
  Hadoop YARN
• 新的MapReduce框架， 任务调度，资源管理

---

hdfs相关

namenode

• Metadata存储一些信息
  • 比如， name名字， replicas备份数，路径等等
  • 记得，android的apk也有META-INF， html一般头部也有 meta 信息
• 分开块处理信息
  • hadoop2， 默认128m一个块
  • hadoop1， 默认64m一个块

datanode

• 存储信息
• namenode分块后，信息分别会存储在datanode中

secondnamenode

• namenode的副手吧
• 最好和namenode不在一个服务器上，当namenode倒掉后，secondnamenode会跟上

---

yarn Architecture构架图

yarn （Yet Another Resource Negotiator，另一种资源协调者）
整个集群的资源调度，同时监控
比如，一个任务需要的cpu，内存等
这里ResourceManager是总的管理者，所有nodemanager的都由它管理
nodemanager一般都在不同的机器上

一般流程

• client 给 ResourceManager 一个请求
• 会转换成一个Task（上图有， MapTask， ReduceTask，MPI Task）
• Task会交给AppMaster，创建一个进程，获取信息，做对应的操作
• 同时， AppMaster会给 ResourceManager 对应的信息返回，告诉需要的资源
• ResourceManager 会根据对应的情况，分配资源
• 外部所有的Container，由AppMaster统一管理

---

hadoop核心 MapReduce

Map任务

• 读取输入内存， 解析成 key，value 键值对
• 重写map方法， 编写业务输出的key， value
• 对 key，value 进行分区 （Partitioner类）
• 将键值对排序，分组。相同key放入同一个集合

Reduce任务

• 多个map输入， 按照不同的分区，copy到不同的 reduce节点
• 对多个map任务进行合并，排序。根据逻辑，得到新的 key，value输出
• 把reduce的输出，保存在文件中