Hadoop基础概念

一、基本概念与模型

1、大数据

结构化数据：有严格定义

半结构化数据：html、json、xml等，有结构但没有约束的文档

非结构化数据：没有元数据，比如说日志类文档

搜索引擎：ELK，搜索组件、索引组件组成，用来搜索数据，保存在分布式存储中

爬虫程序：搜索的是半结构化和非结构化数据

需要+高效存储能力、高效的分析处理平台

 

2、Hadoop

Hadoop是用Java语言开发的，是对谷歌公司这3篇论文开发出来的山寨版

2003年：The Google File System –>HDFS

2004年：MapReduce:Simplified Data Processing On Large Cluster –>MapReduce

2006年：BigTable：A Distributed Storage System for Structure Data –>Hbase

HDFS+MapReduce=Hadoop

HDFS：Hadoop的分布式文件系统，有中心节点式存储数据

MapReduce：面向大数据并行处理的计算模型、框架和平台

HBase：Hadoop的database数据库

官方网址：hadoop.apache.org

 

二、HDFS

1、HDFS问题

存在名称节点：NN：NameNode和第二名称节点SNN：Secondary NameNode

       NN数据存储在内存中，由于数据在内存中变化十分快，硬盘存储跟不上内存的变化速度，所以通过类似于数据库事务日志的机制，向硬盘存储映像文件，在此过程中 ，追加日志不断被清空不断被写入，所以当NN服务器挂了，至少不会丢失太多文件，但是由于文件元数据在宕机后可能有不统一的情况造成文件校验，数据量过大会花费大量时间。

       SNN为辅助名称节点，NN的追加日志放到了共享存储上，使SNN能访问，当NN宕机后，SNN会可以根据追加日志及时启动，至少优化了只有一个NN时候的文件校验时间。

在Hadoop2或者HBase2版本之后，可以将数据共享存放到zookeeper，几个节点通过zookeeper同时获取到视图，很好的解决了刚才的问题，也能够进行高可用设置了。

2、HDFS数据节点工作原理：

存在数据节点：DN：DataNode

       当有数据存储时，HDFS文件系统除了存储DN，会再寻找两个数据节点进行存储作为副本，数据节点之间以链式相连，即有第一份才有第二份，有第二份才有第三份，每次存储结束后节点会向前数据点报告，向元数据块或者服务器报告自己的状态和数据块列表。当某一点数据丢失，此时链式数据会重新启动，补足丢失的数据块。

 

三、MapReduce

1、JobTracker：作业追踪器

每一个负责运行作业的节点，在MapReduce里叫任务追踪器，TaskTracker

2、每一个节点都要运行两类进程：

DataNode：负责存储或者删除数据等数据管理操作

TaskTracker：负责完成队列处理，属于Hadoop集群

3、程序特点

传统程序方案：程序在哪，数据就加载在哪

Hadoop方案：数据在哪，程序就在哪里跑

4、Hadoop分布式运行处理框架

任务提交可能会同时由N个人提交N个作业，每个人的作业不一定运行在所有节点上，有可能是在一部分节点上，甚至可能是一个节点上，为了能够限制一个节点上不要接入过多的任务，所以我们通过task slot，任务槽，来确定一个节点最多只能运行多少份任务

5、函数式编程：MapReduce参考了这种运行机制

Lisp，ML函数式编程语言：高阶函数

map，fold

map：把一个任务映射为多个任务，把一个函数当作为一个参数，并将其应用于列表中的

所有元素，会生成一个结果列表，即可映射为多个函数。

map(f())

fold：不断地把得到的结果折叠到函数上，接收两个参数：函数，初始值。

fold(g(),init)：首先结合init初始值，通过函数g()得到g(init)的结果，然后将得到的结果g(init)在第二轮将作为初始值，通过函数g()得到g(g(init))的结果，以此类推最后会得到一个最终结果。

6、MapReduce过程

<1>mapper：每一个mapper就是每一个实例，每一个mapper处理完会生成一个列表，相当于map函数的过程，mapper接收数据如果是键值数据则直接使用，如果不是键值数据会先转换为键值数据

<2>reducer：当所有mapper运行完以后才会进行reducer，相当于fold函数的过程，reducer可能不止一个，reducer只处理键值型数据，接收到的数据做折叠

<3>reducer在折叠后的数据依旧是键值型数据，折叠过程叫做shuttle and sort，此过程十分重要

 

便于理解：同济一本书每个单词出现的次数：

mapper：每100页一个单位，比如说5 mappers，用于拆分成为单词，比如说this 1，is 1，this 1，how 1，单词逐个拆分，mapper处理后的为k-v型数据

reducer：reducer只处理键值型数据，将拆分出来的单词传递进reducer中进行统计处理与排序，将键相同的数据发往同一个reducer中，最后的结果this 500，is 200等等，结果依旧为kv型数据

shuffle and sort：接收mapper后，reducer将单词出现的次数进行键值数据统计计算的过程叫做shuffle and sort

 

7、Hadoop数据图

Hadoop只提供了数据存储平台，任何作业、任何数据程序处理必须由Hadoop开发人员写MapReduce程序调用才可供使用，mapper的具体任务是什么，reducer用什么，都取决于开发人员的定义是什么。

（1）partitioner：分区器，具备决定将mapper键值通过shuffle and sort过程发送给哪个reducer的功能

（2）combiner：如果mapper产生的键值数据中的键相同，那么将合并键，否则不合并，分散发送，同样由hadoop开发人员开发。其输入键和输出键必须保证一致。

（3）多个reduce时：

sort：每一个map在本地排序叫做sort

（4）单个reduce时：

（5）shuffle and sort阶段：

（6）作业提交请求过程：

（7）JobTracker内部结构

作用：作业调度、管理监控等等，所以运行时JobTracker会非常繁忙，它由此也成为了性能瓶颈，不过在MRv2版本后，作业调度、管理和监控功能被切割

（8）版本更迭

MRv1(Hadoop2) –> MRv2(Hadoop2)

MRv1：集群资源管理器、数据处理程序

MRv2：

YARN：集群资源管理器

MRv2：数据处理程序

Tez：执行引擎

MR：批处理作业

RT Stream Graph：实时流式图处理，图状算法数据结构

（9）第二代hadoop资源任务运行流程

mapreduce把 资源管理和任务运行二者隔离开了，程序运行由自己的Application Master负责，而资源分配由Resource Manager进行。所以当一个客户端提交一个任务时，Resource Manager会询问每一个Node Manager有没有空闲的容器来运行程序。如果有，它去找有的这个节点，来启动这个主控进程Application Master。然后App Mstr向Resource Manager申请资源任务，Resource Manager分配好资源任务后会告诉App Mstr，之后App Mstr可以使用contrainer来运行作业了。

每一个container在运行过程中都会将反馈自己的作业任务给App Mstr，当container中有任务结束了，App Mstr也会报告给Resource Manager，Resource Manager会将资源收回来

RM：Resource Manager

NM：Node Manager

AM：Application Manager