Hadoop大数据平台入门——HDFS和MapReduce
https://blog.csdn.net/a60782885/article/details/71304913
背景
随着硬件水平的不断提高，需要处理数据的大小也越来越大，21世纪是大数据的世纪。
随着数据的不断变大，数据的处理就出现了瓶颈：存储容量，读写速率，计算效率等等。为了处理大数据，google提出了大数据技术，MapReduce，BigTable和GFS。
这些技术给大数据处理带来了巨大的变革：
1.降低了大数据处理的成本，用PC机就可以处理大数据，而不需要采用大型机和高端设备进行存储。
2.将硬件故障视为常态的基础上，采用了软件容错的方法，保证软件的可靠性。
3.简化并行分布式计算，不需要控制节点的同步和数据的交换，降低了大数据处理的门槛。
模仿谷歌的大数据技术出现了，Hadoop！
什么是Hadoop
Hadoop主要完成两件事，分布式存储和分布式计算。
Hadoop主要由两个核心部分组成：
1.HDFS：分布式文件系统，用来存储海量数据。
2.MapReduce：并行处理框架，实现任务分解和调度。
Hadoop能做什么
Hadoop能完成大数据的存储，处理，分析，统计等业务，在数据挖掘等方面应用广泛。
Hadoop的优势
1.高扩展性。简单的增加硬件就可以达到效果的提高。
2.低成本，用PC机就能做到。
3.Hadoop具有成熟的生态圈，比如Hive，Hbase，zookeeper等，让Hadoop用起来更方便。
Hadoop的两个核心组成：HDFS和MapReduce
（1）HDFS是什么？
HDFS是一个分布式文件系统，用来存储和读取数据的。
文件系统都有最小处理单元，而HDFS的处理单元是块。HDFS保存的文件被分成块进行存储，默认的块大小是64MB。
在HDFS中有两类节点：NameNode和DataNode。
NameNode：
NameNode是管理节点，存放文件元数据。也就是存放着文件和数据块的映射表，数据块和数据节点的映射表。
也就是说，通过NameNode，我们就可以找到文件存放的地方，找到存放的数据。
DataNode：
DataNode是工作节点，用来存放数据块，也就是文件实际存储的地方。
客户端向NameNode发起读取元数据的消息，NameNode就会查询它的Block Map，找到对应的数据节点。然后客户端就可以去对应的数据节点中找到数据块，拼接成文件就可以了。这就是读写的流程。
作为分布式应用，为了达到软件的可靠性，如图上所示，每个数据块都有三个副本，并且分布在两个机架上。
这样一来，如果某个数据块坏了，能够从别的数据块中读取，而当如果一个机架都坏了，还可以从另一个机架上读取，从而实现高可靠。
我们从上图还可以看到，因为数据块具有多个副本，NameNode要知道那些节点是存活的吧，他们之间的联系是依靠心跳检测来实现的。这也是很多分布式应用使用的方法了。
我们还可以看到，NameNode也有一个Secondary NameNode，万一NameNode出故障了，Secondary就会成替补，保证了软件的可靠性。
HDFS具有什么特点呢？
1.数据冗余，软件容错很高。
2.流失数据访问，也就是HDFS一次写入，多次读写，并且没办法进行修改，只能删除之后重新创建
3.适合存储大文件。如果是小文件，而且是很多小文件，连一个块都装不满，并且还需要很多块，就会极大浪费空间。
HDFS的适用性和局限性：
1.数据批量读写，吞吐量高。
2.不适合交互式应用，延迟较高。
3.适合一次写入多次读取，顺序读取。
4.不支持多用户并发读写文件。
hdfs(分布式文件系统)
优点
支持超大文件
支持超大文件。超大文件在这里指的是几百M，几百GB，甚至几TB大小的文件。一般来说hadoop的文件系统会存储TB级别或者PB级别的数据。所以在企业的应用中，数据节点有可能有上千个。
检测和快速应对硬件故障
在集群的环境中，硬件故障是常见的问题。因为有上千台服务器连接在一起，这样会导致高故障率。因此故障检测和自动恢复是hdfs文件系统的一个设计目标。
流式数据访问
Hdfs的数据处理规模比较大，应用一次需要访问大量的数据，同时这些应用一般都是批量处理，而不是用户交互式处理。应用程序能以流的形式访问数据集。主要的是数据的吞吐量，而不是访问速度。
简化的一致性模型
大部分hdfs操作文件时，需要一次写入，多次读取。在hdfs中，一个文件一旦经过创建、写入、关闭后，一般就不需要修改了。这样简单的一致性模型，有利于提高吞吐量。
缺点
低延迟数据访问
低延迟数据。如和用户进行交互的应用，需要数据在毫秒或秒的范围内得到响应。由于hadoop针对高数据吞吐量做了优化，牺牲了获取数据的延迟，所以对于低延迟来说，不适合用hadoop来做。
大量的小文件
Hdfs支持超大的文件，是通过数据分布在数据节点，数据的元数据保存在名字节点上。名字节点的内存大小，决定了hdfs文件系统可保存的文件数量。虽然现在的系统内存都比较大，但大量的小文件还是会影响名字节点的性能。
多用户写入文件、修改文件
Hdfs的文件只能有一次写入，不支持写入，也不支持修改。只有这样数据的吞吐量才能大。
不支持超强的事务
没有像关系型数据库那样，对事务有强有力的支持。
（2）MapReduce是什么？
MapReduce是并行处理框架，实现任务分解和调度。
其实原理说通俗一点就是分而治之的思想，将一个大任务分解成多个小任务(map)，小任务执行完了之后，合并计算结果(reduce)。
MapReduce的整个工作过程如上图所示，它包含如下4个独立的实体：
实体一：客户端，用来提交MapReduce作业。
实体二：JobTracker，用来协调作业的运行。
实体三：TaskTracker，用来处理作业划分后的任务。
实体四：HDFS，用来在其它实体间共享作业文件。
首先我们需要先知道几个小概念：
job：在Hadoop内部，用Job来表示运行的MapReduce程序所需要用到的所有jar文件和类的集合，这些文件最终都被整合到一个jar文件中，将此jar文件提交给JobTraker，MapReduce程序就会执行。
task：job会分成多个task。分为MapTask和ReduceTask。
jobTracker：管理节点。将job分解为多个map任务和reduce任务。
作用：
（1）作业调度
（2）分配任务，监控任务执行进度
（3）监控TaskTracker状态
taskTracker：任务节点。一般和dataNode为同一个节点，这样计算可以跟着数据走，开销最小化。
作用：
（1）执行任务
（2）汇报任务状态
也就是说，JobTracker拿到job之后，会把job分成很多个maptask和reducetask，交给他们执行。 MapTask、ReduceTask函数的输入、输出都是
HDFS存储的输入数据经过解析后，以键值对的形式，输入到MapReduce()函数中进行处理，输出一系列键值对作为中间结果，在Reduce阶段，对拥有同样Key值的中间数据进行合并形成最后结果。
这样，我们就大致了解了Hadoop其中的原理，主要了解HDFS文件系统的存储过程和MapReduce的作业调度分配过程。