Hadoop官方网站:http://hadoop.apache.org/
MapReduce将计算过程分为两个阶段,Map和Reduce。
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。
(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
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:
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
你可能感兴趣的文章