【2023】hadoop基础介绍

Hadoop组成

hadoop安装教程可以看我这篇文章===> hadoop通过docker安装

• HDFS组件：是Hadoop内的分布式存储组件，可以构建分布式文件系统用于数据存储。
• MapReduce组件：MapReduce是Hadoop内分布式计算组件。提供编程接口供用户开发分布式计算程序。
• YARN组件：YARN是Hadoop内分布式资源调度组件。可供用户整体调度大规模集群的资源使用。

HDFS

分布式存储：主从架构——架构角色

• 主角色：Master（NameNode）
• 从角色：Slave（DataNode）
• 主角色的辅助角色：（SecondaryNameNode）
  • 处理合并edits为fsimage：会通过http从NameNode拉取数据（edits和fsimage），然后合并完成后提供给NameNode使用。

HDFS操作

• HDFS文件系统基本信息

  操作命令添加协议头就会分别是对对应的系统执行，如果不带是会按照

  

• 操作命令

不同版本命令开头

# 老版本
hadoop fs 
# 新版本
hdfs dfs 

命令使用

• 上传文件到hdfs文件系统中

# hdfs dfs -put linux路径 HDFS文件路径
hdfs dfs -put ./test2.test /

• 下载HDFS文件到linux中

# hdfs dfs -get HDFS文件路径 linux路径
hdfs dfs -get /.test.txt /

• 拷贝HDFS文件和移动

#拷贝文件
hdfs dfs -cp 源路径 粘贴路径

#移动文件
hdfs dfs -mv 源路径 粘贴路径

• 追加数据到HDFS文件

  HDFS只能追加和删除，不能修改

htfs -dfs -appendToFile 

• 查看文件和删除文件

#查看文件内容
htfs -dfs -cat 文件
#删除文件和文件夹（删除文件不用加-r，删除文件夹需要加-r）
htfs dfs -rm -r 文件路径

删除文件看是否需要添加回收站

html查看文件

产品插件用于使用：Big Data Tools

配置插件

HDFS分布式文件存储

hdfs存储的管理单位是叫 block块

通过分布式的方式进行存储5，为了避免block块丢失，一般会进行冗余备份（通过添加副本块的方式备份），避免文件丢失

NameNode元数据

• edits文件———流水帐文件

• FSlmage文件———最终文件（保存最终结果）

• 执行流程

数据读写流程

在进行读写时，会优先读写到网络距离最近的那台dataNode给客户端进行读写，实现读写的最优解。

• 数据写入流程

• 数据读取流程

  

YARN和MapReduce

• 分布式（数据）计算
  • 分散—>汇总模式
    1. 将数据分片，多台服务器负责一部分数据处理
    2. 然后将各种的数据进行汇总
  • 中心调度—>步骤执行模式
    1. 由一个节点作为中心调度管理者
    2. 将任务划分为几个具体步骤
    3. 管理者安排每个机器执行任务
    4. 最终得到结果数据

MapReduce：分布式计算

采用的是分散—>汇总模式进行分布式计算

提供了2个编程接口

• Map：分散
• Reduce：汇总

YARN：资源管控调度

将资源统一管控进行分配可以提供资源利用率

MapReduce和YARN的关系

• YARN用来调度资源给MapReduce分配和管理运行资源
• 所以,MapReduce需要YARN配合使用

YARN架构

YARN采用的也是主从架构

核心角色

• ResourceManager：整个集群的资源调度者，负责协调调度各国程序所需要的资源。
• NodeManager：单个服务器的资源调度者，负责调度单个服务器上的资源提供给应用程序使用

辅助角色

• ProxyServer：代理服务器
• JobHistoryServer：历史服务器

YARN集群启动和停止命令（mapReduce无需启动任何进程）

#一键启动： 
$HADOOP_HOME/sbin/start-yarn.sh
#一键关闭
$HADOOP_HOME/sbin/stop-yarn.sh

#历史服务器启动和停止
mapred --daemon start｜stop historyserver

查看YARN的web页面通过8088端口

提交任务到YARN中运行