初识Hadoop架构

• 持续更新…………

---

Google的“三驾马车“

• GFS

• 即The Google File System，描述了一个分布式文件系统的设计思路。将分布式文件系统划分为两个部分：客户端（Client）和服务端（Server）。
• 实际生活中，把客户端的文件传送到服务端，会遇到两个问题：
• 一是服务器硬盘不够大怎么办？
• 二是如果增加数据存储的可靠性？即硬盘坏了怎么办？
• 上述问题中，一可增加硬盘，或多增加主机；二可采用数据冗余存储方式，即将文件多备份几次。但增加了硬盘或主机，如果有效运行？备份的文件是在每个主机上存储一份吗？
• GFS提出了，增加一个管理节点，去管理存放数据的主机。存放数据的主机称为数据节点（DataNode），而上传的文件会按固定的大小进行分块，数据节点上保存的是数据块，并不是独立的文件。
  

• MapReduce
• BigTable

---

HDFS

• HDFS是什么？

  • HDFS是基于流数据访问模式的分布式文件系统，支持海量数据的存储，允许用户将成百上千的计算机，组成存储集群。
  • 优点：可以处理超大文件、支持流式数据访问(一次写入，多次读取)、低成本运行。
  • 缺点：不适合处理低延迟的数据访问，主要处理高数据吞吐量的应用；不适合处理大量的小文件，这样会浪费NameNode内存；不适合多用户写入及任意修改文件。

• HDFS的组成架构

  • NameNode

    • NameNode即名称节点，是HDFS的管理者。

    • 主要功能（三个）：

    • 管理和维护 HDFS 的命名空间：命名空间镜像文件( fsimage )，操作日志文件( edits )

      • fsimage：存储 hadoop 文件系统中的所有目录和文件的序列化信息
      • edits：记录 HDFS 最新状态， HDFS 客户端执行的所有写操作记录在 editlog 中
        
        

    • 管理 DataNode 上的数据块：在 HDFS 中，一个文件被分成一个或多个数据块，这些数据块存储在 DataNode 中， NameNode 通过“文件名–>数据块”映射或者“数据块–>DataNode”来确定

    • 接收客户端的请求

  • DataNode

    • 每个磁盘都有默认的数据块大小，它是磁盘进行读、写的最小单位，HDFS默认数据块大小为128MB。数据块如此大，目的是减少寻址开销，减少磁盘一次读取时间。

    • 功能：
    • 保存数据块：每个数据块对应一个元数据信息文件，用来描述该数据块属于哪个文件，是第几个数据块
    • 运行 DataNode 线程，向 NameNode 定期汇报数据块信息
    • 定期向 NameNode 发送心跳信息保持联系

  • SecondaryNameNode

    • 即第二名称节点，主要职责是定期把 NameNode 的 fsimage 和 edits 下载到本地，并将它们加载到内存进行合并，最后将合并后的新的 fsimage 上传回 NameNode ，此过程称为检查点 ( CheckPoint )。
    • 定期合并 fsimage 和 edits 文件，使 edits 大小保持在限制范围内，减少重新启动 NameNode 时合并 fsimage 和 edits 耗费的时间。

  

• HDFS Shell

  • HDFS Shell 命令是用类似于 Linux Shell 的命令，来操作文件系统。
  • 如：hdfs dfs -ls，列出文件或目录。

• HDFS API

  • 当然， Hadoop 提供了多种 HDFS 的访问接口，其中 Java API 是指可用代码的方式来操作文件系统。

• HDFS Java API 的一般用法：

1. 实例化 Configuraion 类

   • Configuration conf = new Configuration();

   • Configuration类封装了客户端或服务器的配置，Configuration 实例会自动加载HDFS的配置文件core-site.xml，从中获取 Hadoop 集群的配置信息。

2. 实例化 FileSystem 类

   • FileSystem fs = FileSystem.get(uri,conf,"username"); //uri是URL类的实例，username表示用户名
   • FileSystem 类是客户端访问文件系统的入口，是一个抽象的文件系统类。

3. 设置目标对象的路径

   • Path path = new Path("/test")
   • HDFS Java API 提供了 Path 类封装 HDFS 文件路径。Path 类位于 org.apache.hadoop.fs包中。

4. 执行文件或目录操作

   得到 FileSystem 实例后，就可以使用该实例提供的方法进行操作，如打开文件、创建文件、删除文件等。

   FileSystem 类常用方法：

   方法名称及参数	返回值	功能
   create(Path f)	FSDataOutputStream	创建文件
   open(Path f)	FSDataInputStream	打开指定文件
   delete(Path f)	boolean	删除指定文件
   copyFromLocalFile(Path src,Path dst)	void	从本地磁盘上传文件到HDFS
   copyToLocalFile(Path src,Path dst)	void	从HDFS下载文件到本地磁盘
   ……	……	……

• 高可用 HA

• HDFS HA 是指 HDFS High Available ，即 HDFS 高可用性。
• 一个集群通常只有一个 NameNode ，所有元数据由唯一的 NameNode 负责管理 。如果该主机或进程变得不可用，直到 NameNode 恢复前，整个集群将无法使用。
• HDFS 通过在同一集群中运行两个冗余 NameNode 的方法来解决上述问题，这就是HDFS的高可用性。
• 如此而来，当一个 NameNode 不能提供服务时，可以快速将服务转移到另一个备用的 NameNode。
  

• 联邦 Fedeeration

• HDFS 的 Federation ，即 HDFS 联邦，是指在 HDFS 中有多个 NameNode 或 NameSpace ，这些 NameNode 和 NameSpace（NS）是联合的，它们相互独立且不需要互相协调，各自分工，管理自己的区域。
• 每个 NameNode 都有自己的数据块池（Block Pool），池与池之间也是独立的，且一个 NameNode 挂掉了，不会影响其他的 NameNode， 但所有数据块池都共享一个 HDFS 的存储空间。
  

---

YARN

• Hadoop YARN：Yet Anther Resource Negotiator，另一种资源协调器。
• YARN 是 Hadoop 的资源管理器，它是一个通用的资源管理系统，为上层应用提供统一的资源管理和调度。

• 背景

一个小型电子加工厂，在刚开始时规模比较小，只有1个老板和3个员工 ；

随着业务增多，客户数量增多，订单增多，工人也会增多，则会遇到一下问题：

• 有订单时，老板要对任务进行分配，并且要对任务进度进行把控，但是人多事多，老板如何合理调控？
• 太多的订单，规模不同，需要员工的数量也不同，且订单交付时间有先后，哪些先做，哪些后做，这也成了一个问题。

• 在 MapReduce 架构由 Client ，JobTracker，TaskTracker组成。
• JobTracker 负责资源管理和所有作业的控制， TaskTracker 负责接收来自 JobTracker 的命令并执行。
  
• 其中，JobTracker 需要负责作业调度，又要负责任务的进度监控，所以若 JobTracker 访问压力过大，集群就会出现性能瓶颈，就会影响系统扩展性。

• 初识 YARN

• YARN 最初的目的是改善 MapReduce 的实现，后来演变为一种资源调度框架，具有通用性，可为上层应用提供统一的资源管理和调度，可以支持其他的分布式计算模式。
• 在启动 Hadoop 后，若出现 ResourceManager 和 NodeManager 即为 YARN 的主要进程。

• YARN 的架构

• YARN 由 Container 、 ResourceManager 、 NodeManager 、ApplicationMaster 组成。
  

• Container 容器

YARN 中的资源包括内存、CPU、磁盘输入/输出等。Container 是 YARN 中的资源抽象，它封装了某个节点行的多维度资源，YARN 会为每个任务分配 Container。

• ResourceManager 资源管理器

RM 负责整个系统的资源分配和管理，是一个全局的资源管理器，由

---

MapReduce

---