Hadoop 原理及架构详解

### README

本文是基于黑马程序员的 Hadoop 网课的前半部分整理的笔记，主要介绍了相关操作与组件架构。

视频网址：01-课程内容大纲与学习目标_哔哩哔哩_bilibili

一、基础概念

1、版本架构变迁

2、集群简介

• 主要包括两个集群：HDFS、YARN（MapReduce是计算框架，是代码层面的）
• 这两个集群逻辑上分离，物理上在一起
• 这两个集群都是标准的主从架构

二、安装部署

1、安装部署

Step 1 集群角色规划

根据工作特性和服务器硬件资源情况合理分配，互相配合的安到一起，互相冲突的不安到一起。

Step 2 服务器基础环境的准备

防火墙配置、服务器之间时间同步。

# 1。用户基础配置
cat /etc/hostname   # 验证主机名
cat /etc/hosts      # 查看Hosts 映射
​
# 2。配置防火墙
systemctl stop firewalld.service    # 关闭防火墙
systemctl disable firewalld.service # 禁止防火墙开机自启
​
# 3.ssh 免密登录
ssh-keygen      # 生成公钥私钥
ssh-copy-id node1   # 复制主机公钥，到node1机器上
​
# 4.集群时间同步
yum -y install ntpdate      # 使用ntp协议
ntpdate ntp4.aliyun.com     # 使用阿里云的授时服务
​
# 5.创建统一工作目录
mkdir -p /export/server/        # 软件安装路径
mkdir -p /export/data/          # 数据存放路径
mkdir -p /export/software/      # 安装包存放路径
​
# 6.安装JDK，并配置环境变量
scp -r /export/server/jdk1.8.0_241/ root@node2:.export/server/  # 复制安装包到其他机器上。
scp etc /etc/profile root@node1:/etc/   # 复制全局变量

Step 3 上传Hadoop安装包、解压

本地上传，然后使用tar命令解压，然后复制到其他机器中

重要文件结构说明：

Step 4 修改Hadoop 配置文件

• 进入 /etc 文件夹下
• 修改 hadoop-env.sh，配置环境设置
• 修改xxxx-site.xml，修改用户环境配置- core-site.xml：核心模块配置- hdfs-site.xml：hdfs文件系统模块配置- mapred-site.xml ：MapReduce模块配置- yarn-site.xml：yarn模块配置
• worker文件配置

Step 5 分发同步给其他安装包

Step 6 将Hadoop配置到环境变量中

Step 7 初始化操作(NameNode format)

• 首次启动HDFS时，必须进行初始化操作，只能执行一次。

hdfs namenode -format

2、初次启动

• 手动启动：可以精准的控制每个进程启停

• shell 脚本一键启动（软件自带的）

3、进程状态、日志查看

• jps命令：查看进程是否启动成功

• Hadoop启动日志路径文件：/export/server/hadoop-3.3.0/logs/xxxx.log

4、UI Web界面

HDFS 界面

http://namenode_host:9870

，其中hamenode_host是运行所在机器的主机名或者ip，如果使用主机名访问，别忘了在Windows配置hosts

YARN 界面

http://resourcemanager_host:8088

，其中resourcemanager_host是主机名或者ip。如果使用主机名访问，别忘了在Windows配置hosts

5、初体验

HDFS 初体验

• HDFS 本质就是一个文件系统
• 有目录树结构，和Linux类似，分文件、文件夹

MapReduce+YARN 初体验

• 执行MapReduce的时候，为什么首先请求YARN
• MapReduce看上去好像是两个阶段？先Map再Reduce？
• 处理小数据的时候，MapReduce速度快吗？【很慢】

三、HDFS 详解

1、分布式文件系统

• 文件系统是一种存储和组织数据的方法，使文件访问、查找更容易。
• 通常带有抽象的目录树。
• 分为数据部分和元数据部分（解释数据的数据）

2、HDFS 概述

• 主从架构
• 分块存储
• 副本机制
• 抽象统一的目录树结构（namespace）

（1）主从架构

• 通常是一个 Namenode 和多个 Datanode 组成。
• 官方架构图中是一主五从模式。其中五个从角色位于两个机架的不同服务器上。

（2）分块存储

• 物理上是分块存储（block），默认是128M，块大小可以通过配置修改。

（3）副本机制

• 文件的所有block都有副本，副本系数可以在文件创建的时候指定，也可以之后通过命令改变。
• 副本数默认是3，除了本身以外还有2份。

（4）元数据管理

• 文件自身属性信息：文件名称、权限、修改时间、文件大小、复制因子、数据块大小。
• 文件快映射信息：记录文件块和DataNode之间的映射信息，即哪个块位于哪个节点上。

（5）namespace

• 抽象目录树：具有层次性的文件目录结构

3、命令行界面(CLI)

3.1 文件系统的选择

Hadoop提供了shell内置命令：

hadoop fs [generic options]

• 支持操作多种文件系统，包括本地文件系统（file:///），分布式文件系统（hdfs://nn:8020）等
• 具体是什么文件系统取决于命令中文件路径URL中的前缀信息。
• 如果没有指定前缀，则将会读取变量中的fs.defaultFS属性，获取默认文件系统。

3.2 基本操作命令

• 创建文件夹：hadoop fs -mkdir [-p] <path> ...
• 查看指定目录下的内容：hadoop fs -ls [-h] [-R] [<path> ...]
• 上传文件：hadoop fs -put [-f] [-p] <localsrc> ... <dst>（下载是-get命令）
• 查看文件内容：hadoop fs -cat <src> ...（也有一个-tail命令）
• 拷贝：-cp
• 追加数据到HDFS文件中：将多个文件内容追加到指定文件dst的尾部：hadoop fs -appendToFile <localsrc> ... <dst>

3.3 集群角色与职责

主角色 namenode

• 维护和管理文件系统元数据，包括名称空间目录树结构，文件和块的位置信息，访问权限等信息。
• Namenode 成为访问 HDFS 的唯一入口。
• 内部通过内存和磁盘文件两种方式管理元数据，其中磁盘上的元数据包括内存元数据镜像文件 (Fsimage) 和编辑日志 (Journal)

从角色 DataNode

• 负责具体的数据块存储，DataNode 的数量决定HDFS集群的整体存储能力。

主角色辅助角色 secondarynamenode

• 充当NameNode的辅助节点，但不能替代NameNode。
• 帮助主角色进行元数据文件的合并动作可以通俗的理解为“秘书”。

3.4 HDFS 写数据完整流程图

Pipeline 管道

• HDFS 在上传文件写过程中采用的一种数据传输方式。
• 客户端将数据块写入第一个数据节点，第一个数据节点保存数据之后再将块复制到第二个数据节点，后者保存后将其复制到第三个数据节点。
• 以管道的方式，能够充分的利用每个机器的带宽，避免网络瓶颈和高延迟的连接，最小化推送所有数据的延迟。

ACK 应答响应

• 确认字符，接收方发送给发送方的一种传输类控制字符。

默认3副本存储策略

• 第一块副本：优先客户端本地，否则随机
• 第二块副本：不同于第一块副本的不同机架
• 第三块副本：第二块副本相同机架不同机器

写数据流程：

• HDFS 客户端创建对象实例 DistributedFileSystem，该对象中封装了与HDFS 文件系统操作的相关方法。
• 调用 DistributedFileSystem 对象的 create() 方法，通过RPC请求NameNode文件。- NameNode 进行各种检查判断：目标文件是否存在，父目录是否存在，客户端是否具有创建文件的权限。检查通过，NameNode 就会为本次请求记下一条记录，返回 FSDataOutputStream 输出流对象给客户端用于写数据。
• 客户端通过 FSDataOutputStream输出流开始写数据。
• 客户端写入数据时，将数据分成一个个数据包（默认64k），内部组件 DataStreamer 请求 NameNode 挑选出适合存储数据副本的一组 DataNode 地址，默认是3副本存储。
• 传输的反方向上，会通过ACK机制校验数据包是否成功；
• 客户端完成数据写入后，在 FSDataOutputStream 输出流上调用 close() 方法关闭。
• DistributedFileSystem 联系 NameNode 告知其文件写入完成，等待 NameNode确认。- 因为 NameNode 已经知道文件由哪些块组成，因此仅需等待最小复制块即可成功返回。最小复制是由参数 dfs.namenode.replication.min 指定，默认是1，即有1个成功就算成功。

四、MapReduce 详解

1、设计构思

（1）如何对应大数据场景

• 分而治之的思想
• 首先 Map 阶段进行拆分，把大数据拆分成若干小数据，多个应用程序同时并行计算产生中间结果，然后是 Reduce 聚合阶段，通过程序对并行的结果进行最终的汇总计算，得出最终的结果。
• 不可拆分的计算任务或相互间有依赖关系的数据无法进行并行计算。

（2）构建抽象编程模型

MapReduce 借鉴了函数式语言中的思想，用Map 和 Reduce 两个函数提供了高层的并行编程抽象模型。

• map：对一组数据元素进行某种重复式的处理。
• reduce：对 map 的中间结果进行某种进一步的结果整理。
• 处理的数据类型都是 <key, value> 键值对。

（3）统一架构、隐藏底层细节

• 提供了统一的计算框架，隐藏了存储、划分、分发、结果收集、错误恢复等细节。
• 通过抽象模型和计算框架把做什么 (what) 和怎么做 (how) 分开了，为程序员提供一个抽象和高层的编程接口和框架。
• 程序员仅需要关心其应用层的具体计算问题，仅需要编写少量的处理应用本身计算问题的业务程序代码。

2、MapReduce 介绍

优点：

• 易于编程
• 良好的扩展性
• 高容错性
• 适合海量数据的离线处理，性能稳定。

缺点：

• 实时计算性能差。
• 不能进行流式计算，MapReduce 主要针对的是静态数据计算。

MapReduce 实例进程

有三类：

• MRAppMaster：负责整个 MR 程序的过程调度及状态协调。
• MapTask：负责 map 阶段的整个数据处理流程。
• ReduceTask：负责 reduce 阶段的整个数据处理流程。

阶段组成

• 一个 MapReduce 编程模型中只能包含一个 map 阶段和一个 reduce 阶段，或者只有 map 阶段。
• 如果用户的业务逻辑非常复杂，那就只能多个 MapReduce 程序串行运行。

数据类型

• 所有都是 kv 的键值对形式
• 内置了很多默认属性，比如排序、分组等，都和数据的 key 有关。

执行流程图

3、map 阶段执行过程

• 第一阶段：把输入文件按照某标准进行逻辑切片，默认128M，每个切片由一个MapTask 处理。
• 第二阶段：对切片中的数据按照一定的规则读取解析返回 <key, value>
• 第三阶段：调用 Mapper 类中的 map 方法处理数据。
• 第四阶段：按照某种规则对 Map 输出的键值进行分区 partition。默认不分区，因为只有一个 reducetask。
• 第五阶段：Map 输出数据写入内存缓冲区，达到比例溢出磁盘上，溢出 spill 的时候根据 key 进行排序 sort，默认根据 key 的字典序排序。
• 第六阶段：对所有溢出文件进行最终的 merge 合并，成为一个文件。

4、Reduce 阶段执行流程

• 第一阶段：ReduceTask 会主动从 MapTask 复制拉取属于需要自己处理的数据。
• 第二阶段：把拉取来的数据，全部进行合并 merge，及把分散的数据合并成一个大数据，再对合并后的数据排序。
• 第三阶段：对排序后的键值对调用 reduce 方法，键相等的键值对调用一次 reduce 方法，最后把输出的键值对写入到HDFS文件中。

5、shuffle 机制

shuffle 本意是洗牌的意思，指将牌打乱，在 MapReduce 的过程中，shuffle 指将 map 端的无规则输出按指定的规则“打乱”成具有一定规则的数据，以便 reduce 端接收数据。

Map 端 shuffle

• Collect 阶段：将 MapTask 的结果收集输出到默认大小为 100M 的环形缓冲区，保存之前会对 key 进行分区的计算，默认 Hash 分区。
• Spill 阶段：当内存中的数据量达到了一定阈值的时候，就会将数据写入本地磁盘，在将数据写入磁盘之前需要对数据进行一次排序的操作，如果配置了combiner，还会有相同分区号和 key 的数据进行排序。
• Merge 阶段：把所有溢出的临时文件进行一次合并操作，以确保一个MapTask最终只产生一个中间数据文件。

shuffle 弊端

shuffle 频繁涉及到数据在内存、磁盘之间的多次往复。

五、YARN 详解

1、概述

• YARN（Yet Another Resource Negotiator，另一种资源协调者）是一种新的 Hadoop 资源管理器。
• YARN 是一个通用的资源管理系统和调度平台，可为上层应用提供统一的资源管理和调度。它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大的好处。
• 不仅支持MapReduce程序，理论上还支持各种计算程序。

2、架构和组件

官方架构图

集群物理层面：

• ResourceManager：主角色，最终仲裁者，最高权限。
• NodeManager：从角色

APP 层面：

• ApplicationMaster（App Mstr）：跟着程序出现的

其他组件：

• Client：客户端
• Container 容器（资源的抽象）

3、交互流程

• MR 作业提交：Client -> RM
• 资源的申请：MrAppMaster -> RM
• MR 作业状态汇报：Container（Map|Reduce Task） -> Container（MrAppMaster）
• 节点的状态汇报：NM -> RM

具体流程

1. 用户通过客户端向 YARN 中 ResourceManager 提交应用程序。
2. ResourceManager 为该应用程序分配第一个 Container，并与对应的 NodeManager 通信，要求它在这个 Container 中启动这个应用程序的 ApplicationMaster
3. ApplicationMaster 启动成功之后，首先向 ResourceManager 注册并保持通信，这样用户可以直接通过 ResourceManager 查看应用程序的运行状态。
4. AM 为本次程序内部的各个 Task 任务向 RM 申请资源，并监控它的运行状态。

4、资源调度器

上图的 ResourceScheduler，负责给应用分配资源，它完全专用于调度作业，并不能跟踪应用的状态。

三种调度器：

• FIFO Scheduler：先进先出调度器
• Capacity Scheduler：容量调度器（默认）
• Fair Scheduler：公平调度器

先进先出调度器

• 先提交的应用先运行，不考虑优先级和范围。
• 适用于负载较低的小规模集群，大型集群时，效率较低。

容量调度器

• 允许多个组织共享整个集群资源，每个组织可以获得一部分计算能力，为每个组织划分子队列。
• 弹性分配

公平调度器

• 为所有应用分配公平的资源，可以在多个队列工作，允许资源共享和抢占。、
• 举例：有两个用户A和B，每个用户有自己的队列。- A 启动一个作业，此时A享受全部集群资源。- 然后 B 在 A 运行时也启动了一个作业，此时A、B各自使用一半资源。- 又然后 B 又提交了一个作业，此时 A 占1/2，B的两个作业各占 1/4