Hadoop系统架构与简单介绍

Hadoop系统架构
一、Hadoop系统架构图

Hadoop1.0与hadoop2.0架构对比图

YARN架构:
ResourceManager
–处理客户端请求
–启动/监控ApplicationMaster
–监控NodeManager
–资源分配与调度
NodeManager
–单个节点上的资源管理
–处理来自ResourceManager的命令
–处理来自ApplicationMaster的命令
ApplicationMaster
–数据切分
–为应用程序申请资源，并分配给内部任务
–任务监控与容错

YARN作业处理流程:

步骤1　用户向YARN 中提交应用程序， 其中包括ApplicationMaster 程序、启动ApplicationMaster 的命令、用户程序等。
步骤2　ResourceManager 为该应用程序分配第一个Container， 并与对应的NodeManager 通信，要求它在这个Container 中启动应用程序的ApplicationMaster。
步骤3　ApplicationMaster 首先向ResourceManager 注册， 这样用户可以直接通过ResourceManage 查看应用程序的运行状态，然后它将为各个任务申请资源，并监控它的运行状态，直到运行结束，即重复步骤4~7。
步骤4　ApplicationMaster 采用轮询的方式通过RPC 协议向ResourceManager 申请和领取资源。
步骤5　一旦ApplicationMaster 申请到资源后，便与对应的NodeManager 通信，要求它启动任务。
步骤6　NodeManager 为任务设置好运行环境（包括环境变量、JAR 包、二进制程序
等）后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。
步骤7　各个任务通过某个RPC 协议向ApplicationMaster 汇报自己的状态和进度，以让ApplicationMaster 随时掌握各个任务的运行状态，从而可以在任务失败时重新启动任务。在应用程序运行过程中，用户可随时通过RPC 向ApplicationMaster 查询应用程序的当
前运行状态。
步骤8　应用程序运行完成后，ApplicationMaster 向ResourceManager 注销并关闭自己。

运行在YARN上带来的好处 ：
–一个集群部署多个版本
–计算资源按需伸缩
–不同负载应用混搭，集群利用率高
–共享底层存储，避免数据跨集群迁移

Hadoop 2.0 HA实现方式说明:
利用共享存储在两个NN间同步edits信息,如NFS等中高端存储设备内部的各种RAID以及冗余硬件
DataNode同时向两个NN汇报块信息，让Standby NN保持集群最新状态
用FailoverController watchdog进程监视和控制NN进程，防止因 NN FullGC挂起无法发送heart beat
防止脑裂（brain-split）：主备切换时由于切换不彻底等原因导致Slave误以为出现两个active master，通常采用Fencing机制：
-共享存储fencing，确保只有一个NN可以写入edits
-客户端fencing，确保只有一个NN可以响应客户端的请求

• DN fencing，确保只有一个NN可以向DN下发删除等命令

HDFS文件读取：

HDFS文件写入:

MapReduce基本流程:

从MapReduce 自身的命名特点可以看出， MapReduce 由两个阶段组成：Map 和Reduce。用户只需编写map() 和 reduce() 两个函数，即可完成简单的分布式程序的设计。
map() 函数以key/value 对作为输入，产生另外一系列 key/value 对作为中间输出写入本地磁盘。 MapReduce 框架会自动将这些中间数据按照 key 值进行聚集，且key 值相同（用户可设定聚集策略，默认情况下是对 key 值进行哈希取模）的数据被统一交给 reduce() 函数处理。
reduce() 函数以key 及对应的value 列表作为输入，经合并 key 相同的value 值后，产生另外一系列 key/value 对作为最终输出写入HDFS
hello world --WordCount
用户编写完MapReduce 程序后，按照一定的规则指定程序的输入和输出目录，并提交到Hadoop 集群中。作业在Hadoop 中的执行过程如图所示。Hadoop 将输入数据切分成若干个输入分片（input split，后面简称split），并将每个split 交给一个Map Task 处理；Map Task 不断地从对应的split 中解析出一个个key/value，并调用map() 函数处理，处理完之后根据Reduce Task 个数将结果分成若干个分片（partition）写到本地磁盘；同时，每个Reduce Task 从每个Map Task 上读取属于自己的那个partition，然后使用基于排序的方法将key 相同的数据聚集在一起，调用reduce() 函数处理，并将结果输出到文件中