Hadoop优势，组成的相关架构，大数据生态体系下的模式
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
- 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。
- 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。
- 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。
- 高容错性：能够自动将失败的任务重新分配。
二、Hadoop的组成
- 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。
- 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。
- 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。
- Map阶段并处处理输入数据。
- 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
- bin目录：存放对Hadoop相关服务（HDFS,YARN）进行操作的脚本
- etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
- lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
- sbin目录：存放启动或停止Hadoop相关服务的脚本
- 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
你可能感兴趣的文章