【Hadoop】Hadoop入门概念简介

博主 "开着拖拉机回家"带您 Go to New World.✨

个人主页——开着拖拉机回家_Linux,Java基础学习,大数据运维-CSDN博客 ✨

希望本文能够给您带来一定的帮助文章粗浅，敬请批评指正！

感谢点赞和关注 ，每天进步一点点！加油！

目录

一、概述

二、优点

三、核心架构

3.1、HDFS

3.2、NameNode

3.2、DataNode

四、Hadoop发行版本

4.1、Apache Hadoop

4.2、CDP

4.3、DataSophon

---

一、概述

---

       Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统（ Distributed File System），其中一个组件是HDFS（Hadoop Distributed File System）。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算 [百度百科]。

---

二、优点

---

Hadoop是一个能够对大量数据进行分布式处理的软件框架。 Hadoop 以一种可靠、高效、可伸缩的方式进行数据处理。

• 高可靠性。Hadoop底层维护多个数据副本，所以即使Hadoop某台服务器或者某个副本不可用，也不会导致数据的丢失。
• 高扩展性。Hadoop是在可用的集群分配数据并完成计算任务的，集群可以方便地扩展到数以千计的节点中 。
• 高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡（banlance）。在MapReduce的思想下，hadoop任务并行处理，因此处理速度非常快 。
• 高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配
• 低成本。hadoop是开源的，项目的软件成本因此会大大降低，又可部署在廉价的服务器上 。

---

三、核心架构

---

       Hadoop设计了一个在分布式集群上实现资源管理与功能水平分层的架构，该分层解耦架构让大家可以在Hadoop上不断地叠加组件，并且每个组件可以独立升级，同类组件可以相互竞争，不断提升性能。作为Hadoop生态系统的核心，HDFS、YARN、MapReduce形成了一个灵活的基座，并以此为基础扩展出了非常多的Hadoop兼容开源项目和软件，常见的大数据组件包括。

3.1、HDFS

---

对外部客户机而言，HDFS就像一个传统的分级文件系统。可以创建、删除、移动或重命名文件，等等。 HDFS 的架构节点包括 NameNode，它在 HDFS 内部提供元数据服务；DataNode，它为 HDFS 提供存储块。

存储在 HDFS 中的文件被分成块，然后将这些块复制到多个计算机中（DataNode）。这与传统的 RAID 架构大不相同。块的大小（2.x版本默认为128MB）和复制的块数量在创建文件时由客户机决定。NameNode 可以控制所有文件操作。HDFS 内部的所有通信都基于标准的 TCP/IP 协议。

3.2、NameNode

---

NameNode 是一个通常在 HDFS 实例中的单独机器上运行的软件。它负责管理文件系统名称空间和控制外部客户机的访问。NameNode 决定是否将文件映射到 DataNode 上的复制块上。对于最常见的 3 个复制块，第一个复制块存储在同一机架的不同节点上，最后一个复制块存储在不同机架的某个节点上 。

实际的 I/O事务并没有经过 NameNode，只有表示 DataNode 和块的文件映射的元数据经过 NameNode。当外部客户机发送请求要求创建文件时，NameNode 会以块标识和该块的第一个副本的 DataNode IP 地址作为响应。这个 NameNode 还会通知其他将要接收该块的副本的 DataNode 。

NameNode 在一个称为 FsImage 的文件中存储所有关于文件系统名称空间的信息。这个文件和一个包含所有事务的记录文件（这里是 EditLog）将存储在 NameNode 的本地文件系统上。FsImage 和 EditLog 文件也需要复制副本，以防文件损坏或 NameNode 系统丢失 。

NameNode本身不可避免地具有SPOF（Single Point Of Failure）单点失效的风险，一般通过开启 HA 解决单点故障问题，如下为 NameNode HA 架构 。

NameNode HA 架构

3.2、DataNode

---

DataNode 也是一个通常在 HDFS实例中的单独机器上运行的软件。Hadoop 集群包含一个 NameNode 和大量 DataNode。DataNode 通常以机架的形式组织，机架通过一个交换机将所有系统连接起来。Hadoop 的一个假设是：机架内部节点之间的传输速度快于机架间节点的传输速度 。

DataNode 响应来自 HDFS 客户机的读写请求。它们还响应来自 NameNode 的创建、删除和复制块的命令。NameNode 依赖来自每个 DataNode 的定期心跳（heartbeat）消息。每条消息都包含一个块报告，NameNode 可以根据这个报告验证块映射和其他文件系统元数据。如果 DataNode 不能发送心跳消息，NameNode 将采取修复措施，重新复制在该节点上丢失的块。

NameNode上并不永久保存哪个DataNode上有哪些数据块的信息，而是通过DataNode启动时的上报来更新NameNode上的映射表。

        1.根据客户端或者是namenode的调度存储和检索数据，并且定期向namenode发送所存储的块(block)的列表

        2.数据块在DataNode进程所在的节点上以文件的形式存储在本地磁盘上

•  一个是数据本身
• 一个是元数据（数据块的长度，块数据的校验和，以及时间戳）

       3.维护blockid与DataNode之间的映射信息（元信息）

---

 

四、Hadoop发行版本

---

Hadoop发行版本：Apache、Cloudera、Hortonworks。

• Apache版本最原始（最基础）的版本，对于入门学习最好；
• Cloudera内部集成了很多大数据框架，对应产品CDH；
• Hortonworks文档较好，对应产品HDP；
• Hortonworks现在已经被Cloudera公司收购，推出新的收费产品CDP；

4.1、Apache Hadoop

---

官网地址：http://hadoop.apache.org

下载地址：https://hadoop.apache.org/releases.html

Hadoop发行版本分为开源社区版。 社区版是指由Apache软件基金会维护的版本,是官方维护的版本体系，入门学习建议使用开源的Apache Hadoop 。

4.2、CDP

---

Hortonworks的主打产品是Hortonworks Data Platform（HDP），过去是开源的产品，2018年Hortonworks目前已经被Cloudera公司收购 ，现在已是CDP 且收费了。

• Cloudera Hadoop

• Hortonworks Hadoop

官网地址：Enterprise Data Management Platforms & Products | Cloudera

4.3、DataSophon

---

DataSophon是近日开源的一款国产自研大数据管理平台，致力于快速实现部署、管理、监控以及自动化运维大数据服务组件和节点的能力，帮助你快速构建起稳定、高效的大数据集群服务。还不够成熟，再等等吧。
开源地址：https://github.com/gaodayu168/datasophon

在线文档：https://gaodayu168.github.io/datasophon-website

国产收费的产品比较多阿里系， 星环等等 ，但是中小公司 可能不想过多投入，很多依然在使用之前开源的CDH和HDP

---

参考：国产自研开源大数据管理平台DataSophon Manager安装教程

Hadoop DataNode详解_hadoop3.0 datanode version 的内容是什么_雾幻的博客-CSDN博客 

百度百科