2019独角兽企业重金招聘Python工程师标准>>> 
看过的一些文章：
hadoop页面访问 8088端口http://192.168.8.71:8088
hdfs页面
http://192.168.8.70:50070/dfshealth.html#tab-overview
看过的文章地址：http://dongxicheng.org/mapreduce/how-to-improve-hadoop-stablility-and-performance/
http://blog.csdn.net/silentwolfyh/article/details/51570193
reduce数量怎么调整http://www.aboutyun.com/forum.php?mod=viewthread&tid=7613&page=2
http://www.aboutyun.com/thread-9659-1-1.html
http://www.aboutyun.com/thread-8927-1-1.html
http://blog.csdn.net/stark_summer/article/details/48494391
windows eclipse运行mapreduce遇到权限问题该如何解决
http://www.aboutyun.com/thread-7660-1-1.html
mapreduce是hadoop的核心之一，mapreduce经常让我们产生各种困惑，我们只是知道什么是map，什么是renduce，甚至我们已经熟悉了mapreduce编程，但是内部的原理还是不明白。
1.Shuffle的定义是什么？
Shuffle描述着数据从map task输出到reduce task输入的这段过程
· 完整地从map task端拉取数据到reduce 端。
· 在跨节点拉取数据时，尽可能地减少对带宽的不必要消耗。
· 减少磁盘IO对task执行的影响。
MapReduce提供Partitioner接口，它的作用就是根据key或value及reduce的数量来决定当前的这对输出数据最终应该交由哪个reduce task处理。
2.map task与reduce task的执行是否在不同的节点上？
3.Shuffle产生的意义是什么？
4.每个map task都有一个内存缓冲区，存储着map的输出结果，当缓冲区快满的时候需要将缓冲区的数据该如何处理？
5.在map task执行时，它是如何读取HDFS的？
6.读取的Split与block的对应关系可能是什么？
7.MapReduce提供Partitioner接口，它的作用是什么？
8.溢写是在什么情况下发生？
9.溢写是为什么不影响往缓冲区写map结果的线程？
10.当溢写线程启动后，需要对这80MB空间内的key做排序(Sort)。排序是MapReduce模型默认的行为，这里的排序也是对谁的排序？
11.哪些场景才能使用Combiner呢？
如果client设置过Combiner，那么现在就是使用Combiner的时候了。将有相同key的key/value对的value加起来，减少溢写到磁盘的数据量。Combiner会优化MapReduce的中间结果，所以它在整个模型中会多次使用。那哪些场景才能使用Combiner呢？从这里分析，Combiner的输出是Reducer的输入，Combiner绝不能改变最终的计算结果。所以从我的想法来看，Combiner只应该用于那种Reduce的输入key/value与输出key/value类型完全一致，且不影响最终结果的场景。比如累加，最大值等。Combiner的使用一定得慎重，如果用好，它对job执行效率有帮助，反之会影响reduce的最终结果。
12.Merge的作用是什么？
13.reduce中Copy过程采用是什么协议？
14.reduce中merge过程有几种方式，与map有什么相似之处？
15.溢写过程中如果有很多个key/value对需要发送到某个reduce端去，那么如何处理这些key/value值
问题导读：
1、什么是MapReduce？
2、Mapper、Reducer实现什么工作内容？
3、如何进行MapReduce性能调优？
hadoop学习
google file ystem Doug cutting等在Nutch项目上应用gfs和mapreduce思想，演化出hadoop项目，
提到了lucene和nutch项目,lucene是引擎开发工具包，nutch还有数据抓取功能，
狭义的hadoop包括hadoop common,hadoop hdfs和hadoop mapreduce三个子项目，但是想相关的还包括Avro,ZooKeeper,Hive,Pig,HBase,还有其他互补的软件项目。
zookeeper用来解决分布式计算中的一致性问题。
hadoop配置信息处理
配置文件，
在操作系统中，有ini配置文件，里面有节[],项和值
在java properties文件中没有分类节 ，继承自hashtable;
Hadoop Configuration 管理配置文件：xml格式；根元素是configuration,一般只包含子元素property,每个property元素就是一个配置项
合并资源是将多个配置文件合并，并产生一个配置；通过Configuration类的addResources()方法，合并成一个配置文件。
hadoop配置系统还有一个属性扩展${hadoop.tmp.dir}/dfs/name, ${hadoop.tmp.dir}会用Configuration中的相应属性进行扩展
使用configuaration的一般过程是:用addResource()方法添加需要加载的资源，然后通过get,set….对资源进行操作。
getProps方法中，采用了延迟加载的设计模式，当真正需要配置数据的时候，才开始分析配置文件
配置文件有windows的ini配置文件，有java的properties文件，properties文件也可以用方法保存为xml,也可以从xml中读成properties，j2se1.5版本以后，Properties中的数据也可以用xml格式保存，对应的加载和写入方法分别是loadFomXML和storeToXML(),
hadoop使用dom处理xml文件，因为文件小。可以全部加载到内存后，再进行解析。
Configurable接口位于org.apache.hadoop.conf包中
序列化与压缩
对象的序列化（Serialization）是用于将对象编码成一个字节流，以及从字节流中重新构建对象。“将一个对象编码成一个字节流”称为序列化该对象；相反的过程称为反序列化。
文本->对象 序列化
对象->文本 反序列化
序列化主要有三种用途：
作为一种持久化的格式
作为一种通信数据格式，序列化结果可以从一个正在运行的虚拟机，通过网络被传输到另一个虚拟机上。
作为拷贝和克隆的机制，到内存缓存区，得到新拷贝的对象
Serializable接口是一个标志，不具有任何成员函数
public interface Serializable{}
ObjectOutputStream对象，对java自定义类，和基本类型的序列化
ObjectInputStream对象
java序列化机制
hadoop序列化机制
hadoop writable机制
RawCompatator和WritableComparable接口
hadoop序列化框架
Avro
Thrift
Google Protocol Buffer
Hadoop提供了一个简单的序列化框架API,集成各种序列化的实现，该框架由 Serialization实现(org.apache.hadoop.io.serializer包中)
数据压缩往往是计算密集型的操作，考虑到性能，建议使用本地库，Java本地方法就是一个不错的选择，java提供了一些钩子程序，使得调用本地方法成为了可能，本地方法是类的成员方法。
org.apace.hadoop.io序列化和压缩
Hadoop远程过程调用
远程调用如何隐藏底层通信的细节
xml-rpc json-rpc
hadoop-ipc
常规的过程调用，概括了进程的控制流同步模型
RPC跨越了不同的进程
theClinet and theServer
请求参数保存在栈中，调用方法，从栈中取得参数，确定调用过程中的名字并调用相应的过程，调用结束后，返回值通过主程序打包并发送给客户端，通知客户端调用结束
实现RPC需要关心下面三个问题
RPC的语法应该与高级程序设计语言中的本地过程调用语法有相同的外观；
RPC和本地调用的语义尽可能类似，如参数传递中包含的语义
Rpc接收者应该如同一个传统的调用。
RPC引入了客户存根和服务器骨架。
服务器骨架和客户端存根是等价物，用来将通过网络的输入请求转为本地调用。调用结束后，由骨架打包成消息发送到客户端存根，存根通过return将结果返回到主程序中，
RPC通过接口定义语言IDL描述调用接口的相关信息，定义信息包含类型定义，常量声明，参数传递信息和注释。
java远程方法调用是一个Java的一个核心API和类库。允许一个java虚拟机上运行的java程序调用不同虚拟机上运行的对象中的方法，RMI可以看成是RPC的java升级版。包含RMI的java程序包含服务程序和客户端程序，服务器应用程序将创建多个远程对象，使这些对象能够被客户端引用。标准的Stub/Skeleton机制
Stub代表被客户端引用的远程对象，并保存着远程对象的接口和方法列表，位于客户端；服务端的Skeleton对象处理有关调用“远方”对象中的所有细节。
public class RMIQueryStatusImpl extends UnicastRemoteObject implements RMIQueryStatus
客户端要访问远程对象必须获得一个本地的存根对象。
如何获得存根对象呢？java中用RMI远程对象注册点(Registry)解决了这个问题
一个Rmi典型的存根包含哪些成员。
Java动态代理
java.lang.reflect包下，主要包含java.lang.relflect.Proxy和java.lang.reflect.InvocationHandler
反射，代理
反射，便于编写能够动态操作java代码的程序
函数seek()来自org.apache.hadoop.fs.Seekable接口，提供在输入流中进行定位的能力。
“cre/0”是校验文件的魔数(Magic NUmber)
Arrays.equals(a,b)
ChecksumException
数据完整性是海量数据处理中的一个重要问题。不但hadoop Common中的文件系统提供了ChecksumFileSystem,在hadoop分布式文件系统中也实现了类似的机制。
RawLocalFileSystem和ChecksumFileSystem并没有实现一个真正的文件系统，必须依赖一个已有的文件系统。
RawInMemoryFileSystem不依赖任何文件系统，十分简单，内存文件系统RawInMemeryFileSystem
内存文件系统它部分实现了抽象类org.apache.hadoop.fs.FileSystem中 要求的API及简单的输入/输出流。
InMemoryFileSystem内部类RawInMemoryFileSystem,内存文件系统没有目录，所有文件都以映射表的形式保存在系统中，映射表的键是文件名，映射表对应的值是FileAttribues对象，它包含预留空间和该空间大小的信息；这样的映射表有两个，一个保存正在产生的文件tempFileAttribs中，通过映射表这样的文件结构将数据保存在了内存中。
public class FileAttributes {
private byte[] data;// 保存数据
private int size; // 保存大小
public FileAttributes(int size) {
this.size = size;
this.data = new byte[size];
}
}
HDFS
超大文件，硬件故障，流式数据访问，简化一致性，一次写入，多次读取，简化可一致性模型，提高了吞吐量；大量的小文件会影响名字节点的性能。
HDFS体系结构
主从:名字节点，数据节点，客户端Client
数据块：块的大小代表系统读写操作的最小单位，Linux的Ext3文件系统中，块大小默认为4096字节
默认HDFS数据块的大小是64mb,减少需要管理数据块需要的开销，减少建立网络连接需要的成本。
名字节点维护着整个文件系统的文件目录树，文件/目录的元信息和文件的数据块索引，即每个文件对应的数据块列表；
这些信息以两种形式存储在本地文件系统中：一种是命名空间镜像FSImage,另一种是命名空间镜像的编辑日志(EditLog).
空间镜像保存着某一特定时刻HDFS的目录树，元信息和数据块索引等信息，对这些信息的改动，则保存在编辑日志中；
第二名字节点用于定期合并命名空间镜像和镜像编辑日志的辅助守护进程，它不接收或者记录HDFS的任何实时变化，而是间隔不停的获得HDFS某一时间点的命名空间镜像和镜像的编辑日志，合并得到一个新的命名空间镜像，该镜像会上传到名字节点，替换原有的命名空间镜像，并清除上述日志。应该说，第二名字节点配合名字节点，为名字节点上的名字节点第一关系提供一个检查点机制Checkpoint，避免编辑日志过大，导致名字节点启动时间过长的问题。
第二名字节点可以减少停机的时间并减低名字节点元数据丢失的风险，名字节点失效不行。
数据节点上都会有一个守护进程，将HDFS数据块写到linux本地文件系统的实际文件中，或者从实际文件中读取数据库。
数据节点会和其他数据节点通信，复制数据块，保证数据的冗余性。
客户端是HDFS和用户交互的手段，JAVAAPI，命令行，其他类库等等。。
|
|
|
|
hadoop远程调用接口
基于tcp和http的流式接口
版本号用来维护具有相同数据块标识的数据的一致性
数据块的id号
LocatedBlock已经确认存储位置的数据块
数据节点标识datanodeID用于在HDFS中确定一个数据节点，
通过create()创建文件时，ClientProtocal的成员函数addBlock()用于为当前客户端打开的文件添加一个数据块。当用户创建一个新文件，或者写满一个数据块后，客户端就会调用这个方法，向名字节点申请一个新的数据块。
在linux中，大多数磁盘IO操作都会通过内核缓存区，如果缓存区尚未写满，则不会发生实际的io操作，这种机制叫做延迟写，它的优点是减少了磁盘io操作的次数，但缺点是一旦系统出故障，可能会丢失那些在缓存区但未被写进磁盘的文件数据。
public class BlockCommand extends DatanodeCommand{
Block blocks[]; //包含了blockCommand命令具体涉及的数据块
DatanodeInfo targets[][];//是一个类型为DatanodeInfo的二维数组，用于数据块复制和数据块恢复
}
namenodeProtocal
调用者有两个，一个是第二名字节点，另一个是hdfs工具：均衡器balancer
balancer可以把数据块从改数据节点移动到其他数据节点，达到平衡各个数据节点数据块数量的目的；
第二名字节点的功能：获取hdfs命名空间镜像和镜像编辑日志，合并到一个新的镜像，上传新命名空间镜像到名字节点，替换原有镜像并清空镜像编辑日志。
hdfs写数据的数据流管道：
GFS写一份数据的多个副本时，可以充分利用集群中每一台机器的宽带。
首先推送到一个节点，然后再向下一个节点推送。
流式接口：
fsimage,edits文件
hadoop的各个节点都嵌入了Jetty,是一个web容器，实现了java的http servlet规范，
用http协议来交换数据，
${dfs.data.dir}
数据节点的实现
一个目录下最多只有64个数据块(128个文件)和64个目录。
数据存储DataStorage和文件系统数据集FSDataset.
StorageDirectory
Storage
DataStorage
数据节点第一次启动的时候，会调用DataStorage.format()创建存储目录结果。
Storage和DataStorage一起提供了一个完美的HDFS数据节点升级机制，简化了大型分布式系统的运维，它们不但解决了系统升级过程中数据格式的转化,升级回滚等常见的问题，并保证了这个过程不会丢失数据；同时，特别是Storage状态机，以及配合状态机工作的临时文件，提供了完整的升级方案。在升级过程或者回滚的过程中任何一个步骤出现错误，都可以通过状态机，恢复到正常状态。
文件系统数据集的工作机制
FSVolume是数据目录配置项${dfs.data.dir}中的一项。
ongoingCreates是文件块Block对象到ActiveFile对象的映射，ActiveFile是活跃文件，它保存着处于写状态的数据块的一些附加信息。
数据节点和名字节点的交互
数据节点到名字节点的握手，注册，数据库上报和心跳;
名字节点保存并持久化了整个文件系统的文件目录树以及文件的数据块索引，但名字节点不持久化数据库的保存位置。HDFS启动时，数据节点会定期上报它上面保存的数据块信息。心跳上报过程中，数据节点会发送能够描述当前节点负载的一些信息，如数据节点储存的容量，目前已使用的容量等，名字节点会根据这些信息估计数据节点的工作状态。
DataBlockScanner对数据块进行校验，
数据节点的启停
DataNode.main()是数据节点的入口方法，但只做一件事 sercureMain()方法，它通过createDataNode()创建并启动数据节点，然后通过dataNode对象的join()方法等待数据节点停止运行。
public static void main(String args[]) {
secureMain(args, null);
}
public static void secureMain(String[] args, SecureResources resources) {
try {
// ...todo something
DataNode datanode = createDataNode(args, null, resources);
if (datanode != null) {
datanode.join();
}
// do something....
} finally {
}
}
public static DataNode createDataNode(String args[], Configuration conf, SecureResources resources)
throws Exception {
DataNode dn = instanntiateDataNode(args, conf, resources);
runDatanodeDaemon(dn);
return dn;
}
名字节点的实现
hdfs的文件目录树，以及文件的数据块索引，即每个文件对应的数据块列表
数据块和数据节点的对应关系。某个数据块保存在哪些数据节点的信息
文件系统
主要考虑文件和目录如何存储
linux中的i-node,索引节点，INode,INodeFile,INodeDirectory
命名空间镜像和编辑日志
文件目录由INode和其子类保存，如果节点掉电，数据将不再存在，因此必须将信息保存到磁盘，镜像将保存某一时刻目录树的信息，它在HDFS中实现为FSImage,名字节点把命名空间镜像和编辑日志保存在current目录下，
远程调用过程
|