Hadoop 初识

Hadoop的前世今生

Google大数据技术

• MapReduce
• BigTable
• GFS

革命性的变化：

• 成本降低，能用PC机，就不用大型机和高端存储。
• 软件容错硬件故障视为常态，通过软件保证可靠性
• 简化并行分布式计算，无需控制节点同步和数据交换

Hadoop的功能与优势

Hadoop是开源的分布式存储和分布式计算平台。

核心组成：

HDFS：分布式文件系统，存储海量的数据

MapReduce：并行处理框架，实现任务分解和调度

功能：

搭建大型数据仓库，PB级数据的存储、处理、分析、统计等业务。

优势：

• 高扩展
• 低成本
• 成熟的生态圈

HDFS 分布式文件系统

HDFS设计架构

• 块（Block）

  HDFS的文件被分成块进行存储，HDFS块的默认大小为64MB，块是文件存储处理的逻辑单元。

• NameNode

  管理节点，存放文件元数据：

  • 文件和数据块的映射表
  • 数据块与数据节点的映射表
  

  image

  ​

• DataNode

  工作节点，，存放数据块。

HDFS中数据管理与容错

• 数据块副本

  

  image

• 心跳检测

  

  image

• 二级NameNode

  

  image

HDFS中文件的读写操作

• 读取文件的流程

  客户端发起文件读取请求，把文件名、路径告诉NameNode，NameNode查询元数据，根据元数据读取Blocks，下载重装。

• 写入文件的流程

  文件先拆分为块，NmaeNode找到可用空间，返回DataNodes，然后写入Blocks，写入Blocks时要进行流水线复制，复制完成后更新元数据。

HDFS的特点

• 数据冗余，硬件容错
• 流式的数据访问
• 适合存储大文件

适合数据批量读写，吞吐量高；不适合交互式应用，低延迟很难满足；适合一次写入多次读取，顺序写入；不支持多用户并发写相同文件。

MapReduce 并行处理框架

运行原理

分而治之，一个大任务分成多个小的子任务（map），并行执行后，合并结果（reduce）

运行流程

• Job & Task

  一个Job（作业）会被分为多个Task（任务），Task可以分为MapTask和ReduceTask

• JobTracker

  • 作业调度
  • 分配任务、监控任务执行进度

• TaskTracker

image

image

MapReduce的容错机制

• 重复执行
• 推测执行

WordCount执行过程

image

参考

Hadoop大数据平台架构与实践--基础篇