大数据｜Hadoop系统

目录

📚Hadoop介绍

Hadoop是一个开源的可运行于大规模集群上的分布式并行编程框架，它实现了Map/Reduce计算模型。

狭义上说，Hadoop的核心组件有：

• HDFS（分布式文件系统）：解决海量数据存储
• MapReduce（分布式运算编程框架）：解决海量数据计算
• YARN（作业调度和集群资源管理的框架）：解决资源任务调度

📚Hadoop优点

• Hadoop是可靠的：因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。
• Hadoop是高效的：因为它以并行的方式工作，通过并行处理加快处理速度。
• Hadoop是可伸缩的：它能够处理PB级数据，即有扩容能力。
• Hadoop成本低：依赖于廉价服务器，因此它的成本比较低，任何人都可以使用。

由于Hadoop优势突出，基于Hadoop的应用已经遍地开花，尤其是互联网领域。

📚Hadoop的体系结构

• HDFS是一种分布式文件系统，运行于大型商用机集群，HDFS提供了高可靠性的底层存储支持。
• HBase位于结构化存储层，是一个分布式的列存储数据库。
• MapReduce是一种分布式数据处理模式和执行环境。
• Zookeeper是一个分布式的，高可用性的协调服务，提供分布式锁之类的基本服务。
• Hive是一个建立在Hadoop基础上的数据仓库，用于管理存储于HDFS或HBase中的结构化/半结构化数据。
• Pig提供一种数据流语言，程序员可以将复杂的数据分析任务实现为Pig操作上的数据流脚本，这些脚本可自动转换为MapRduce任务链，在Hadoop上执行，从而简化工作难度。
• Sqoop是SQL-to-Hadoop的缩写，为在RDBMS与Hadoop平台间进行快速批量数据交换。

🐰HDFS的体系结构

• 一个HDFS集群是由一个NameNode和若干个DataNode组成。
• NameNode作为主服务器，管理文件系统的命名空间和客户端对文件的访问操作；
• 集群中的DataNode管理存储的数据。
• HDFS支持用户以文件的形式存储数据，文件被分为若干个数据块，而且这若干个数据块存放在一组DataNode上。

NameNode：就是master，它是一个主管，管理者。管理HDFS的命名空间，管理数据块(Block)映射信息，配置副本策略，处理客户端读写请求。

DataNode：就是Slave，它是劳累的打工人。NameNode下达命令，DataNode执行实际操作。存储实际的数据块，执行数据块的读写操作，定时向NameNode汇报block信息。

🐰MapReduce的体系结构

• MapReduce是一种并行编程模式。基于它可以将任务分发到由上千台商用计算机组成的集群上，并以一种高容错的方式并行处理大量的数据集，实现Hadoop的并行任务处理功能。
• MapReduce框架是由一个单独运行在主节点上的JobTracker和运行在每个集群从节点上的TaskTracker共同组成的。
• 主节点负责调度构成一个作业的所有任务，这些任务分布在不同的从节点上；主节点监控它们的执行情况，并且重新执行之前失败的任务。从节点仅负责由主节点指派的任务。
• 当一个Job被提交时，JobTracker接受到提交作业和配置信息之后，就会将配置信息等分发给从节点，同时调度任务并监控TaskTracker的执行。

🌟MapReduce编程模型与Hadoop分布式开发息息相关，下文会做详细介绍。

🐰HDFS和MapReduce的协同作用

• HDFS在集群上实现了分布式文件系统，MapReduce在集群上实现了分布式计算和任务处理。
• HDFS在MapReduce任务处理中提供了文件操作和存储等支持，MapReduce在HDFS的基础上实现了任务的分发、跟踪、执行等工作，并收集结果。
• TaskTracker和DataNode需配对地设置在同一个物理的从节点服务器上；JobTracker和NameNode可以设置在同一个物理主控节点服务器上，也可以分开设置

HDFS和MapReduce共同组成了Hadoop分布式系统体系结构的核心，二者相互作用，完成了Hadoop分布式集群的主要任务。

📚Hadoop与分布式开发

基于MapReduce的处理过程示例--文档词频统计：WordCount

• 将大数据集分解为成百上千个小数据集，每个（或若干个）数据集分别由集群中的一个节点进行处理并生成中间结果，然后这些中间结果又由大量的节点合并，形成最终结果。
• MapReduce框架下并行程序结构中，需要用户完成的工作仅仅是**根据任务编写Map和Reduce函数。 **

🐰MapReduce计算模型

MapReduce编程模型的原理：利用一个输入的key/value对集合，来产生一个输出的key/value对集合。这个过程基于Map和Reduce这两个用户自定义函数实现。

• Map阶段：是在单机上进行的针对一小块数据的计算过程，简单来说，就是按照给定的方法进行筛选分类。
• Shuffle阶段：在map阶段的基础上，进行数据移动，为后续的reduce阶段做准备。简单说就是shuffle将同类型的数据进行合并。
• Reduce阶段：对移动后的数据进行处理，依然是在单机上处理一小份数据，举个例子，对Shuffle得到的合并后的数据进行count，得到sum值。

关于Shuffle：

• shuffle的意思就是洗牌，它是MapReduce的核心，也是被称为奇迹发生的地方。MapReduce玩的就是洗数据，然后让数据出现在该出现的位置。

碎碎念：

• Shuffle阶段所进行的洗牌，可借助哈希表实现，将对应的数据放到相应的“桶”里，从而实现同类型的合并。
• MapReduce思想有种“分而治之”的味道。Map负责“分”，Reduce负责“合”。

参考博客：Lansonli【Hadoop专栏】

be happy——