Hadoop学习第一章_初识Hadoop

初识Hadoop

Apache软件基金会开发的分布式计算平台 —核心—>HDFS(分布式文件系统)和MapReduce（Google MR开源实现）

  

作用：

         有效存储和管理大数据

应用：

FaceBook  存储内部的日志拷贝，数据挖掘和日志统计

Yahoo     支持广告系统并处理网页搜索

Twitter    存储微博数据、日志文件和其他中间数据

百度        日志分析和网页数据库的数据挖掘

阿里巴巴  商业数据排序和搜索引擎的优化

 

优势：

* 高可靠  按位存储和处理数据能力高

*  高扩展  使用计算机集簇分配数据并计算，集簇便扩展

*  高效    能在节点间动态移动数据，并保持个节点动态平衡，故处理速度极快

*  高容错  能自动保存数据的多副本，自动将失败任务重新分配

 

结构：

               Pig       Chukwa      Hive       HBase

      核心     MapReduce       HDFS        ZooKeeper

      基础API                   Core             Avro

 

* Core  提供常用工具  API

*Avro  数据序列化系统  提供数据结构类型、快可压二进制格式、存储文件集 简单调用语言

*MapReduce 并行 

 

*HDFS  分布式文件系统

*Chukwa  数据收集

*Hive    整理、存储 查询数据集工具 支持传统RDBMS的SQL语句查询

*HBase  分布式、面向列的开源数据库 

         适合存储非结构化数据 

         基于列模式

*Pig     经受住大数据处理的平台

 

体系：

      *HDFS 分布式底层存储支持 

      主从模式 NameNode和DataNode一对多

              NN  主服务器，管理文件系统及客户对其的操作 

              DN  管理存储数据，受NameNode调度进行相应操作，1文件1组DateNode

      关系图如下

 

      *MapReduce 分布式并行任务处理支持

  并行编程模式，将任务分发到多台机器的集群上，以高容错方式并行处理大数据集的框架

       主节点 JobTracker

       集节点 TaskTracker

 

数据管理:

*  HDFS数据管理 NameNode-DataNode-Client

 

补充：一个Block会有三份备份；写入文件时，客户端读取一个Block，然后写到第一个DataNode上，接着备份至其他DataNode，知道所有需要此Block的DataNode都成功写入才写下一个Block

 

*  HBase数据管理  HClient-HMaste-HRgionr

结构图

 

Table & Column Family

Row Key	Timestamp	Column Family
		URI	Parser
r1	t3	url=http://www.taobao.com	title=天天特价
	t2	host=taobao.com
	t1
r2	t5	url=http://www.alibaba.com	content=每天…
	t4	host=alibaba.com

Ø  Row Key: 行键，Table的主键，Table中的记录按照Row Key排序

Ø  Timestamp: 时间戳，每次数据操作对应的时间戳，可以看作是数据的version number

Ø  Column Family：列簇，Table在水平方向有一个或者多个Column Family组成，一个Column Family中可以由任意多个Column组成，即Column Family支持动态扩展，无需预先定义Column的数量以及类型，所有Column均以二进制格式存储，用户需要自行进行类型转换。

Table & Region

当Table随着记录数不断增加而变大后，会逐渐分裂成多份splits，成为regions，一个region由[startkey,endkey)表示，不同的region会被Master分配给相应的RegionServer进行管理：

-ROOT- && .META. Table

HBase中有两张特殊的Table，-ROOT-和.META.

 

Ø  .META.：记录了用户表的Region信息，.META.可以有多个regoin

Ø  -ROOT-：记录了.META.表的Region信息，-ROOT-只有一个region

Ø  Zookeeper中记录了-ROOT-表的location

Client访问用户数据之前需要首先访问zookeeper，然后访问-ROOT-表，接着访问.META.表，最后才能找到用户数据的位置去访问，中间需要多次网络操作，不过client端会做cache缓存。

Client

HBase Client使用HBase的RPC机制与HMaster和HRegionServer进行通信，对于管理类操作，Client与HMaster进行RPC；对于数据读写类操作，Client与HRegionServer进行RPC

HMaster

HMaster没有单点问题，HBase中可以启动多个HMaster，通过Zookeeper的Master Election机制保证总有一个Master运行，HMaster在功能上主要负责Table和Region的管理工作：

1.       管理用户对Table的增、删、改、查操作

2.       管理HRegionServer的负载均衡，调整Region分布

3.       在Region Split后，负责新Region的分配

4.       在HRegionServer停机后，负责失效HRegionServer 上的Regions迁移

HRegionServer

HRegionServer主要负责响应用户I/O请求，向HDFS文件系统中读写数据，是HBase中最核心的模块。

    HRegionServer内部管理了一系列HRegion对象，每个HRegion对应了Table中的一个Region，HRegion中由多 个HStore组成。每个HStore对应了Table中的一个Column Family的存储，可以看出每个Column Family其实就是一个集中的存储单元，因此最好将具备共同IO特性的column放在一个Column Family中，这样最高效。

    HStore存储是HBase存储的核心了，其中由两部分组成，一部分是MemStore，一部分是StoreFiles。MemStore是 Sorted Memory Buffer，用户写入的数据首先会放入MemStore，当MemStore满了以后会Flush成一个StoreFile（底层实现是HFile）， 当StoreFile文件数量增长到一定阈值，会触发Compact合并操作，将多个StoreFiles合并成一个StoreFile，合并过程中会进 行版本合并和数据删除，因此可以看出HBase其实只有增加数据，所有的更新和删除操作都是在后续的compact过程中进行的，这使得用户的写操作只要 进入内存中就可以立即返回，保证了HBase I/O的高性能。当StoreFiles Compact后，会逐步形成越来越大的StoreFile，当单个StoreFile大小超过一定阈值后，会触发Split操作，同时把当前 Region Split成2个Region，父Region会下线，新Split出的2个孩子Region会被HMaster分配到相应的HRegionServer 上，使得原先1个Region的压力得以分流到2个Region上。下图描述了Compaction和Split的过程：

HLog

通过HBase架构图得出, HLog与HRegionServer一一对应

*  Hlog在Hbase写数据时，相对应的工作阶段如下：

向HBase Put数据时通过HBaseClient-->连接ZooKeeper

--->-ROOT--->.META.-->RegionServer-->Region:

Region写数据之前会先检查MemStore.

1. 如果此Region的MemStore已经有缓存已有写入的数据, 则直接返回;

2. 如果没有缓存, 写入HLog(WAL), 再写入MemStore.成功后再返回.

*  HLog生命周期：

一般来说HLog File的生命周期有两种（下面RS 指HRegionServer）：

1. 正常的情况

RS 创建 HLog File -> RS append HLog File -> 关闭 HLog File -> File Max SeqNum 小于所有StoreFile的SeqNum ->  转移File至.oldlog文件夹 -> 删除 HLog File

当File Max SeqNum 小于所有HFile的SeqNum的时候说明这个File里面的所有Entry都已经安全的存在StoreFile里面了，这个HLog File就没有用处了，可以被删除了。

2. 异常的情况

RS 创建 HLog File -> RS append HLog File -> RS Crash -> MasterServer Split File -> New RS load Region -> New RS delete File Split

在异常情况下HLog File会被分解成N个文件， N = HLog File包含的Region数。这时HLog跟随Region，Region 被分配给一个新的RS之后，新的RS就会来处理HLog片段。

*Hive数据管理

 与Hadoop关系：

 

元数据存储（三模式）：

* 单用户：连接到一个In-Memory的数据库Derby，主用于UnitTest

 

* 多用户：通过网络连接到数据库,常用

 

* 远程：非Java客户端访问元数据库，服务端启动MetaStoreService，客户端利用Thrift协议通过MetaStoreService访问元数据库                                                          

  

Hive数据存储：

•Hive的数据存储是建立在Hadoop HDFS之上的

•Hive没有专门的数据存储格式

•存储结构主要包括：数据库、文件、表、视图

•Hive默认可以直接加载文本文件，还支持sequence file 、RCFile

•创建表时，我们直接告诉Hive数据的列分隔符与行分隔符，Hive即可解析数据

Hive数据交换：

 

•用户接口，包括 CLI，JDBC/ODBC，WebUI

•元数据存储，通常是存储在关系数据库如 mysql, derby 中

•解释器、编译器、优化器、执行器

•Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算。

下一章 介绍MapReduce 计算模型，关键内容是一流程四方法