Hadoop-特点+架构+HDFS详解（文件读写流程）+MapReduce详解（架构+原理）+Yarn详解（工作机制）
基本属性
-
分布式结构：
由于分布在不同主机上的进程，协同工作，一起才能构成整个应用。 -
4V特征
Volumn：体量大，单个数据体量大，数据条数也是海量。
Velocity：数据快，数据时效性高，由于产生的数据基数大的原因，数据的截获，存储，操作必须要高速。
Variaty：样式多，可以存储多种类型的数据，包括结构化数据，例如表格，半结构化数据，例如日志、网址，和非结构化数据，例如图片、视频等。
Value：价值密度低，即单个数据并无意义，但是大量数据后才有一定价值。
固有特性：时效性、不可变性 -
Hadoop（相当于一个存数据的大硬盘）
可靠的、可伸缩的、分布式计算的开源软件。
是一个框架、允许跨越计算机集群的大数据集处理，使用简单的编程模型（MapReduce）。
可从单个服务器扩展到几千台主机，每个节点提供了计算和存储的功能。而不是依赖高可用性的机器
而是依赖于应用层面上的实现。 -
Hadoop 三核心模块
1.HDFS ：分布式文件系统，解决大数据的存储。（包含：NameNode、DataNode、SecondNameNode）
2.Yarn ：作业调度和资源管理框架，一种资源协调者。
3.MapReduce ：基于yarn系统的大数据集并行处理技术，解决大数据的计算。（包括：ResourceManager、NodeManager）
4.Hadoop common: 工具支撑所有其他模块的工作。
- Hadoop 生态圈
HDFS
1.HDFS特点：
优点：
支持处理超大文件
高容错性
文件流写入
缺点：
不适合低延时数据访问场景，不能立刻对新数据做出反应。
不适合小文件频繁存储场景，因为每次读取文件，都要判断其属性（例如容量）。
不适合并发写入，文件随机修改场景
2.HDFS角色
一个HDFS集群可包括多个Client,一个Active NameNode（默认有两个备用的Standby NameNode，当Active故障时，Standby切换为Active，旧Active自动转为Standby【本设置，2.0版本以后才出现，解决单点问题】），以及多个DataNode，和一个Secondary NameNode。
Client：客户端,将数据切分成数据块，向NameNode发送读写请求。
NameNode（NN）：元数据节点，管理文件系统，主要功能是将数据交由DataNode存储，之后将数据的存储地址记录下来。
DataNode（DN）：数据节点，数据存储节点，保存和检索Block。（物理节点，相当于就是一台计算机）
Secondary NameNode（SNN）：辅助NameNode工作，间断性启动，主要功能是（由于数据量很大）将NameNode中的edits（多条数据）压缩到fsimage镜像文件中；SSN每次启动都会将NameNode中的edits（如果有fsimage，也一同复制过来）进行整理压缩，再传给NameNode以便NameNode对数据进行管理和操作。
3.HDFS的副本机制（其安全性高的原因）
存储在DataNode中的Block（数据块）：
HDFS最基本的存储单元，（2.0以后，2.0之前为64M）默认大小为128M（可以更改）；
***尽量不要产生大量的小文件，否则会撑坏NameNode；
解决方法：①将多个小文件组合成一个大文件（依赖一些软件）
②将小文件存在nosql数据库Hbase中
副本机制：
作用：避免数据丢失。
副本数默认为3，一个主副本，另个备用副本。
原理：DN每次存储，都会随机在同机架的不同节点选择一个备份点，该备份点又会随机在不同机架的某个节点进行备份，最后一个节点备份完以后，将地址传给上一个节点，上个节点备份完后，将地址（本节点和下一个节点）再次回传，直至将所有地址传给第一个节点，第一个节点备份完后，将所有地址传给NN进行目录记录。（默认备份点：本机架节点一个，同机架不同节点一个，不同机架一个）
4.HDFS读文件
1.Client打开DistributedFileSystem程序，新建对象；
2.DistributedFileSystem从NameNode中获取获取数据块的地址（根据数据的大小，对应会有多个节点地址）；
3.Client新建并读取FSDataInputStream文件流对象；（一般应用字节流，一次一个字节，字符流一次读两个字节，会产生多读的问题）
4.FSDataInputStream通过地址读取对应地址DataNode中的数据；
5.读取多个地址对应的数据块，并汇总，反馈给Client；
6.读取完成，关闭读取文件流接口
5.HDFS写文件
1.Client 创建并启动DistributedFileSystem；
2.DistributedFileSystem 从 NameNode中获取可以执行写操作的DataNode地址，NameNode创建日志；
3.Client将数据写入FSDataOutputStream中，进行数据分割；
4.FSDataOutputStream将数据块写入DataNode中；多快并行写入；
5.DataNode将数据存储的地址（总共三个备份地址）返回给Client；多个备份并行执行，某一个不成功则该块备份全部重写；
6.Client关闭FSDataOutputStream，写入结束；
7.Client将各数据块的相应的地址集返回给NameNode，NameNode完成写入日志，并存入目录；
MapReduce
分布式计算框架
功能：将大型数据操作作业分解为可以跨服务器集群并行执行的单个任务。（分而治之）
Map（映射）和Reduce（归约）
1.MapReduce的特点
优点：
易于编程
可扩展性
高容错性
高吞吐量
不适合领域：
难以实时计算
不适合流式计算
2.MapReduce实现WordCount
1.基础原理：
Splitting：将一个完整的大容量Documents切分成一小段一小段（每段容量都为128MB），分配给各数据节点处理。
Map：各节点在内存中将一段数据分割成单词集生成键值对（单词为键，数量1为值），先不考虑重复，每个单词的数量都为1，最后将数据落盘。
Combine：各节点将单词的键值对汇总，凡是单词相同的（键相同），键值对的值就+1；从而将各单词的数量初步汇总。
Shuffle/Sort：各节点计算单词哈希值，将哈希值%节点数=>应存入的节点，（这里会出现重复单词的键值对）不考虑重复，节点容量超出，则将单词存入另外的新节点。
Reduce：将所有单词汇总，单词重复的键值对将值相加；最终得出各单词的键与值，从而实现单词的计数；
2.代码实现思想：
MapReduce拥有两个接口：Mapper 和 Reduce
=>实现两个接口的实际函数方法即可完成任务
mapreduce的执行过程：（MR框架软件流程）
Mapper => Combiner => Partitioner => Shuffle and Sort => Reducer
程序执行过程中数据格式的定义：（我简化了中间的部分）
map: (K1,V1) → list (K2,V2)
map函数接受的是一个键值对，键（K1）是文件名，值（V1）是文件的内容，map逐个遍历单词，每遇到一个单词（K2），就产生一个中间键值对
reduce: (K2,list(V2)) → list (K3,V3)
reduce函数接收的多个键值对（map的结果的聚合），键（K2）为单词，值是一串"1"（最基本的实现是这样，但可以优化），然后将这些“1”累加就得到单词K2的出现次数。最终将所有单词的键值对汇总成List。
代码实现：
（该环境必须有 hadoop 环境，如果未安装，可参考 windows下安装 hadoop 环境 ）
每个过程都有自己对应的默认类；根据自己的需求重写相应的类方法即可；
重写Mapper=>
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
/**
* Created by HX on 2020/6/3
*
* @Description:数据分割
*/
public class MyMapper extends Mapper {
private LongWritable one = new LongWritable(1);
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String [] words = value.toString().split(" "); //按空格分割出单词
for (String word : words) {
Text wd = new Text(word);
context.write(wd,one); //写入键值对
}
}
}
重写Reducer=>
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
/**
* Created by HX on 2020/6/3
*
* @Description:数据键值对汇总
*/
public class MyReduce extends Reducer {
private LongWritable res = new LongWritable();
@Override
protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException {
long ressume = 0;
for (LongWritable one : values) {
ressume += one.get();
}
res.set(ressume);
context.write(key,res);
}
}
Driver（必写，主驱动类）=>
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
/**
* Created by HX on 2020/6/4
*
* @Description:配置各类的数据类型
*/
public class MyDriver {
public static void main(String[] args) throws Exception {
Configuration cfg = new Configuration();
//准备一个空任务
Job job = Job.getInstance(cfg, "wc");
//设置job任务的主启动类
job.setJarByClass(MyDriver.class);
//指定该任务的输入数据源
FileInputFormat.addInputPath(job,new Path("e://abc.txt"));
//设置你的Mapper任务类
job.setMapperClass(MyMapper.class);
//设置Mapper任务类的输出数据类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
//设置reduce任务类
job.setReducerClass(MyReduce.class);
//设置reducer任务类的输出数据类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
//设置任务的输出数据目录路径
FileOutputFormat.setOutputPath(job,new Path("e://eee"));
job.waitForCompletion(true);
}
}
Yarn （2.0以后出现）
功能：控制集群的资源管理及调度。
主要工作机制：
客户机Client提交启动信息任务(Job)给yarn的RM(ResourceManager),RM通过启动信息和Job查找出合适的DN(DateNode)，该DN启动特殊的Container为AM(ApplicationMaster);AM拿到启动信息后，通过RPC协议向RM申请调度工作资源的信息及权限，AM获得所有信息后，将Job分割成各个的task并分配给相应的DN中的NM(NodeManager)，NM启动其Container,Container启动其中的MapReduce程序执行相应的task，其中Reduce任务会向各节点拉取其task所需的资源；期间NM会监控Container的工作状态，并将心跳提供给AM和RM，一旦Container故障，NM会将其杀死并上传信息，以保证其他Container的正常工作；当task完成后，Container会将结果反馈给AM进行汇总，AM汇总完所有信息，会将最终结果提交给RM，并申请注销该Job，RM最后通知AM，AM则通知各NM杀死相应的Container，完成该Job。
ResourceManager(RM)
ResourceManager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。主要由两个组件构成：调度器和应用管理器。它的功能较多，包括ApplicationMaster管理，NodeManager管理，Application管理，状态机管理等
调度器(Scheduler)：调度器根据队列、容器等限制条件（每个队列配给 一定的资源，最多执行一定数量的作业等），将系统中的资源分配给各自正在运行的程序。调度器仅根据各个应用程序的资源需求进行资源分配，而资源分配单位用一个抽象的概念”资源容器“(Container)从而限定每个使用的资源量，容器用于执行的特定应用的进程每个容器都有所有资源限制（CPU 内存 等）一个容器可以是一个Unix进程也可以是一个Linux cgroup(Linux内核提升的一种限值，记录隔离进程并且使用的物理资源 CPU 内存 IO 等 谷歌提出)调度器相应应用程序的资源请求，是可插拔的，如Capcity Scheduler、Fair Scheduler。
应用程序管理器（Applications Manager）：应用程序管理器负责管理整个系统的所有应用程序，包括应用程序提交，与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster运行状态并在失败时重新启动等，追踪分给的Container的情况。
ApplicationMaster(AM)
ApplicationMaster是一个详细的框架库，它结合了ResourceManager获取资源和NodeManager协同工作来运行和监控任务，用户提交的每一个应用程序军包含一个AM，主要的功能是：
与ResourceManager调度器协商以获取抽象资源(Container);
负责应用的监控，追踪应用执行状态重启任务失败等。
与NodeManager协同工作完成Task的执行和监控。
MRappMaster是Mapreduce的ApplicationMaster实现，它是的Mapreduce应用程序可以直接在YARN平台之上，MRApplication负责Mappreduce应用的生命周期、作业管理资源申请再分配、container启动与释放、作业恢复等。其他的如计算框架如 Spark on YARN ,Storm on Yarn。如果需要可以自己写一个符合规范的YARN的应用模型。
NodeManager(NM)
NM是每个节点上的资源和任务管理器，他会定时地向RM汇报 本节点上地资源使用情况和各个Container地运行状态；同时会接受AM的Container启动/停止等请求。
Container
YARN 资源抽象 ，封存了某个节点是的多维度资源，如内存、CPU、磁盘、网络等。当AM向RM申请资源时，RM为AM返回资源是用Container表示的 。YARN为每一个任务分配给一个Container且该任务只能读取该Container中描述的资源。Container不同于MRv1的slot，他是一个动态划分单位，根据应用程序的需求动态生成的。
