Python+大数据-hadoop(四)-Hadoop MapReduce、YARN、HA

Python+大数据-hadoop(四)-Hadoop MapReduce、YARN、HA

---

今日课程学习目标

理解分布式计算分而治之的思想
学会提交MapReduce程序
掌握MapReduce执行流程
掌握YARN功能与架构组件
掌握程序提交YARN交互流程
理解YARN调度策略
掌握Hadoop HA实现原理

今日课程内容大纲

#1、初识MapReduce
	MapReduce背后的思想	先分再合，分而治之
	MapReduce设计构思
	官方MapReduce示例
    MapReduce Python接口
    	
#2、MapReduce基本原理
	整体流程梳理
	map阶段执行流程
	reduce阶段执行流程
	shuffle机制
	
#3、Hadoop YARN
	介绍：集群资源管理 任务调度
	3大组件 架构
	程序在yarn运行流程：以mr程序提交为例
	yarn调度器
    
#4、Hadoop HA集群
	高可用概念：持续可用 一直可用
		解决单点故障问题  主备集群
	Hadoop HDFS HA实现方案--QJM、YARN HA
	搭建HA集群

---

一、初识MapReduce

1.1、MapReduce思想

• 核心：先分再合，分而治之。

• 使用场景：面对复杂的任务、庞大的任务如何高效处理？

• 步骤

  • 分的阶段（局部并行计算）–map

    把复杂的任务拆分成若干个小的任务。
    拆分的目的以并行方式处理小任务提高效率。
    
    #前提：任务可以拆分，拆分之后没有依赖关系。
    结果：每个任务处理完都是一个局部的结果。
     
    map侧重于映射（对应关系）  任务1-->结果1  任务2-->结果2
    

  • 汇总阶段（全局汇总计算）–reduce

    把上一个分的阶段局部结果进行全局汇总 得到最终结果。
    
    reduce指的是结果数量的减少 汇总。
    

1.2、Hadoop MapReduce 设计构思

• 如何面对大数据场景

  #使用MapReduce思路来处理大数据。
  
  先把数据集拆分若干个小的数据集，前提是可以拆分并且拆分之后没有依赖。
  拆分之后可以并行计算提高计算。
  
  再通过全局汇总计算得出最终结果。
  

• 构建了函数式编程模型Map Reduce

  #函数本质就是映射。
  f(x)=2x+1
  	当x=1 f(1)=3
  	当x=2 f(2)=5
  x-->f(x) 一一对应的映射关系。	
  
  #对应MapReduce来说 每个阶段都是输入数据经过处理对应着输出。
   MapReduce处理的数据类型是<key,value>键值对。
   实际使用中 考虑每个阶段输入输出 key value是什么。
  

• 统一构架，隐藏系统层细节

  精准的把技术问题和业务问题区分。  技术是通用的 业务不通用的。
  	hadoop实现了底层所有的技术问题。 --->90%代码   怎么做(how to do)
  	用户实现业务问题               --->10%代码    做什么(what need to do)
  	
  使用简单不代表技术简单 只能说MapReduce底层封装太漂亮。
  

1.3、MapReduce官方示例

最终MR程序需要用户的代码和Hadoop自己实现的代码整合在一起 才能叫做完整MR程序。

由于当下企业中MapReduce计算引擎已经日薄西山，所以很少涉及到MapReduce编程了。

可以通过官方提供的示例来感受MapReduce。

• MR程序从运行层面看，分3个部分

  • maptask map阶段运行的task 处理map阶段的任务
  • reducetask reduce阶段运行的task 处理reduce阶段的任务
  • MrAppMaster 程序内部的老大 负责资源申请和task监督。

如何提交MapReduce程序： hadoop jar xxxxx.jar 参数1 参数2

也可以说使用yarnjar xxxxx.jar 参数1 参数2

• 示例1：评估圆周率π（PI）

  • mr程序的执行需要硬件资源（cpu ram） 而yarn正好管理这些资源 所以第一步首先连接yarn申请资源
  • mr程序分为两步
    • map阶段
    • reduce阶段
  • 每个阶段都会运行task任务 把map阶段的任务叫做maptask 同理 reduce阶段的任务叫做reducetask.

• 示例2：单词统计Wordcount

  • 背景

    网页倒排索引 统计关键字在页面中出现的次数。
    

  • 业务需求

    统计文件中每个单词出现的总次数。
    

1.4、MapReduce Python接口接入

• Python3的Linux安装

  #详细步骤见课程附件资料
  
  #注意 如果需要Python2和3版本同时存在 那么就不要删除之前的软链接  创建Python3即可
  
  ln -s /usr/local/python3/bin/python3 /usr/local/bin/python3
  ln -s /usr/local/python3/bin/pip3 /usr/local/bin/pip3
  

• 代码的本地测试

• 代码提交集群执行

---

二、MapReduce基本原理

2.1、MapReduce输入和输出

• 数据都是以键值对的形式存在的。不管是输入还是输出。

• 关于inputpath

  • 指向的是一个文件，mr就处理这一个文件
  • 指向的是一个目录，mr就处理该目录下所有的文件 整体当做数据集处理。

• 关于outputpath

  • 要求指定的目录为空目录 不能够存储 否则执行校验失败

  FileAlreadyExistsException: Output directory file:/D:/datasets/wordcount/output already exists
  

2.2、整体流程

2.3、map阶段流程

• maptask并行度个数机制：逻辑切片机制。

• 影响maptask个数的因素有

  文件的个数
  文件的大小
  split size=block size  切片的大小受数据块的大小控制 
  

2.4、reduce阶段流程

• 影响reducetask个数的因素

  • 只要用户不设置 永远默认1个

  • 用户也可以通过代码进行设置 设置为几 就是几

    当reducetask>=2，数据就会分区了。
    

2.5、shuffle机制

---

三、Apache Hadoop YARN

3.1、YARN的概述

• yarn是一个通用资源管理系统和调度平台。 详细解释见课堂画图

  资源指的跟程序运行相关的硬件资源  比如：CPU RAM 
  

3.2、YARN组件–3大组件

• 物理层面上-2个组件

  • 主角色 resourcemanager RM

    ResourceManager 负责整个集群的资源管理和分配，是一个全局的资源管理系统。
    是程序申请资源的唯一入口 负载调度。
    

  • 从角色 nodemanager NM

    nodemanager 负责每台机器上具体的资源管理 负责启动 关闭container容器
    

• 程序内部–1个组件

  • ApplicationMaster AM

  yarn作为通用资源管理系统 不关心程序的种类和程序内部的执行情况？
  
  谁来关心程序内部执行情况？
  比如MapReduce程序来说，先maptask 再运行reducetask.
  
  需要一个组件来管理程序执行情况  程序内部的资源申请 各阶段执行情况的监督
  
  #为了解决这个问题 yarn提供了第三个组件 applicationmaster 
  (男)主人，雇主; 主宰; 主人; 有控制力的人; 能手; 擅长…者;
  
  #把applicationmaster称之为程序内部的老大角色 负责程序内部的执行情况
  
  #AM针对不同类型的程序有不同的具体实现
  yarn默认实现了MapReduce的AM  名字叫做MrAppMaster.
  其他软件比如spark flink需要实现自己的AM 才能在yarn运行。
  
  
  #结论：在上述设计模式下  任何种类程序在yarn运行，首先都是申请资源运行AM角色，然后由AM控制程序内部具体的执行。
  

3.3、client提交程序到yarn运行流程

• 以MapReduce程序为例

3.4、YARN schduler

• 所谓的调度器指的是当集群繁忙的时候 如何给申请资源的程序分配资源

• scheduler属于ResourceManager功能

• YARN3大调度策略

  • FIFO Scheduler 先进先出策略
  • capacity Scheduler 容量调度策略
  • Fair Sheduler 公平调度策略

• Apache Hadoop版本默认策略是capacity 。CDH商业版本默认策略是Fair。

  • 默认情况下，整个yarn集群在capacity策略下，划分为一个队列 名字叫做default，占整个集群资源的100.

• 决定调度策略的参数

  #yarn-site.xml
  
  yarn.resourcemanager.scheduler.class=org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler
  
  #还可以在yarn 8088页面查看
  

• prod 生产环境 线上环境

• dev 开发环境

---

四、Hadoop HA集群

• HA叫做高可用模式 注意解决的是单点故障问题。 SPOF

• Hadoop中单点故障

  • NameNode
  • Resourcemanager

• NameNode HA —QJM共享日志集群方案

  • zkfc 实现主备切换避免脑裂
  • jn集群 editslog编辑日志同步

• Resourcemanager HA --基于zk实现

  • RM需要维护的数据量很少 不像NN需要同步文件系统大量的元数据。直接基于zk即可完成
  • 别忘了 zk也是一个分布式小文件存储系统。

• Hadoop HA集群搭建 难点就是配置文件的编写

• 听懂原理 可以不搭建 后面使用非HA集群。

  • 针对当下集群进行逻辑删除 备份
  • 使用新的安装包进行编辑

• HA 主备切换错误 缺少依赖

  2021-05-30 17:02:40,372 WARN org.apache.hadoop.ha.SshFenceByTcpPort: PATH=$PATH:/sbin:/usr/sbin fuser -v -k -n tcp 8020 via ssh: bash: fuser: command not found
  
  #yum install -y fuser  猜想行为
  
  yum install -y psmisc
  

---

今日作业

理解分布式计算分而治之的思想
学会提交MapReduce程序
掌握MapReduce执行流程
掌握YARN功能与架构组件
掌握程序提交YARN交互流程
理解YARN调度策略
掌握Hadoop HA实现原理