Hadoop优势,组成的相关架构,大数据生态体系下的模式
阅读原文时间:2023年07月10日阅读:1

Hadoop优势,组成的相关架构,大数据生态体系下的模式

Hadoop官方网站:http://hadoop.apache.org/

一、Hadoop的优势

  1. 高可靠性:Hadoop底层维护多个数据副本,即使Hadoop某个计算元素或存储出现故障,也不会导致数据的丢失。
  2. 高扩展性:在集群间分配任务数据,可方便的扩展数以千计的节点。
  3. 高效性:受MapReduce的思想影响,Hadoop是并行工作的,以加快任务处理速度。
  4. 高容错性:能够自动将失败的任务重新分配。

二、Hadoop的组成

  1. NameNode(nn):存储文件的元数据,如文件名,文件目录结构,文件属性(生成时间、副本数、文件权限),以及每个文件的块列表和块所在的DataNode等。
  2. DataNode(dn):在本地文件系统存储文件块数据,以及块数据的校验和。
  3. Secondary NameNode(2nn):用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据的快照。

MapReduce将计算过程分为两个阶段,Map和Reduce。

  1. Map阶段并处处理输入数据。
  2. Reduce阶段对Map结果进行汇总。

三、大数据生态体系

1)Sqoop:Sqoop是一款开源的工具,主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递,可以将一个关系型数据库(例如

:MySQL,Oracle 等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中。

2)Flume:Flume是Cloudera提供的一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的系统,Flume支持在日志系统中定制各类数据发送方,用于收集数据;同时,Flume提供对数据进行简单处理,并写到各种数据接受方(可定制)的能力。

3)Kafka:Kafka是一种高吞吐量的分布式发布订阅消息系统,有如下特性:

(1)通过O(1)的磁盘数据结构提供消息的持久化,这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。

(2)高吞吐量:即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。 (3)支持通过Kafka服务器和消费机集群来分区消息。

(4)支持Hadoop并行数据加载。

4)Storm:Storm用于“连续计算”,对数据流做连续查询,在计算时就将结果以流的形式输出给用户。

5)Spark:Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。

6)Oozie:Oozie是一个管理Hdoop作业(job)的工作流程调度管理系统。

7)Hbase:HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库,它是一个适合于非结构化数据存储的数据库。

8)Hive:Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的SQL查询功能,可以将SQL语句转换为MapReduce任务进行运行。

其优点是学习成本低,可以通过类SQL语句快速实现简单的MapReduce统计,不必开发专门的MapReduce应用,十分适合数据仓库的统计分析。

9)R语言:R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件,它是一个用于统计计算和统计制图的优秀工具。

10)Mahout:Apache Mahout是个可扩展的机器学习和数据挖掘库。

11)ZooKeeper:Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统,提供的功能包括:配置维护、名字服务、

分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务,将简单易用的接口和性能高效、功能稳定的系统提供给用户。

四、Hadoop的重要目录结构

  1. bin目录:存放对Hadoop相关服务(HDFS,YARN)进行操作的脚本
  2. etc目录:Hadoop的配置文件目录,存放Hadoop的配置文件
  3. lib目录:存放Hadoop的本地库(对数据进行压缩解压缩功能)
  4. sbin目录:存放启动或停止Hadoop相关服务的脚本
  5. share目录:存放Hadoop的依赖jar包、文档、和官方案例

五、集群启动/停止方式

(1)分别启动/停止HDFS组件

        hadoop-daemon.sh  start / stop  namenode / datanode / secondarynamenode

(2)启动/停止Yarn

        yarn-daemon.sh  start / stop  resourcemanager / nodemanager

(1)整体启动/停止HDFS

        start-dfs.sh   /  stop-dfs.sh

(2)整体启动/停止Yarn

        start-yarn.sh  /  stop-yarn.sh

六、Hadoop相关概念理解

存储模型:字节

  • 文件线性切割成块(Block):偏移量offset(byte)

  • Block分散存储在集群节点中

  • 单一文件Block大小一致,文件与文件可以不一致

  • Block可以设置副本数,副本分散在不同节点中(副本数不要超过节点数量)

  • 文件上传可以设置Block大小和副本数

  • 已上传的文件Block副本数可以调整,大小不变

  • 只支持一次写入多次读取,同一时刻只有一个写入者

  • 可以append追加数据

  • 文件元数据MetaData,文件数据(元数据,数据本身)

  • (主)NameNode节点保存文件元数据:单节点 posix

  • (从)DataNode节点保存文件Block数据:多节点

  • DataNode与NameNode保持心跳,提交Block列表

  • HdfsClient与NameNode交互元数据信息

  • HdfsClient与DataNode交互文件Block数据

  • 基于内存存储:不会和磁盘发生交换(只存在内存中,持久化)

  • NameNode主要功能:(接受客户端的读写服务,收集DataNode汇报的Block列表信息)

  • NameNode保存metadata信息包括(文件owership和permissions,文件大小,时间,Block列表:Block偏移量,位置信息,Block每副本位置(由DataNode上报))

NameNode持久化

  • NameNode的metadata信息在启动后悔加载到内存

  • metadata存储到磁盘文件名为"fsimage"

  • Block的位置信息不回保存到fsimage

  • edits记录对metadata的操作日志…最后存放在redis之中

  • 本地磁盘目录存储数据(Block),文件形式

  • 同时存储Block的元数据信息文件

  • 启动DN时会向NN汇报Block信息

  • 通过向NN发送心跳保持与其联系(3秒一次),如果NN10分钟没有收到DN的心跳,则认为其已经lost,并copy其上的block到其他DN。

  • 它不是NN的备份(但可以做备份),它的主要工作是帮助NN合并edits log,减少NN启动时间

  • SNN执行合并时机

根据配置文件设置的时间间隔fs.checkpoint.period 默认3600秒

根据配置文件设置edits log大小fs.checkpoint.size规定edits文件的最大值默认是64MB

SNN合并流程:

  • 第一个副本:放置在上传文件的DN;如果是集群外提交,则随机挑选一台磁盘不太满,CPU不太忙的节点。
  • 第二个副本:放置在与第一个副本不同的机架的节点上。
  • 第三个副本:与第二个副本相同机架的节点。
  • 更多副本:随机节点。

  • namenode启动的时候,首先将映像文件(fsimage)载入内存,并执行编辑日志(edits)中的各项操作

  • 一旦在内存中成功建立文件系统元数据的映射,则创建一个新的fsimage文件(这个操作不需要SecondaryNameNode)和一个空的编辑日志

  • 此刻namenode运行在安全模式,即namenode的文件系统对于客服端来说是只读的。(显示目录,显示文件内容等。写、删除、重命名都会失败)

  • 在此阶段NameNode收集各个datanode的报告,当数据达到最小副本数以上时,会被认为是“安全的”,在一定比例(可设置)的数据块被确定为“安全”后,再过若干时间,安全模式结束。

  • 当检测到副本数不足的数据块时,该块会被复制知道达到最小副本数,系统中数据块的位置并不是由namenode维护的,而是以块表形式存储在datanode中。

  • 角色==进程

– namenode

–数据元存储

–内存存储,不会有磁盘交换

–持久化(fsimage,edits log)(不会持久化block的位置信息)

–block:偏移量,因为block不可以调整大小,hdfs不支持修改文件(偏移量不会改变)

–datanode

–block块

–磁盘

–面向文件,大小一样,不能调整

–副本数,调整(备份,高可用,容错/可以调整很多个,为了计算向数据移动)

–移动

–NN&DN

–心跳机制

–DN向NN汇报block信息

–client

手机扫一扫

移动阅读更方便

阿里云服务器
腾讯云服务器
七牛云服务器

你可能感兴趣的文章