《离线和实时大数据开发实战》（三）Hadoop原理实战_hadoop离线大数据论文

本文链接：https://blog.csdn.net/2401_84167086/article/details/138871322

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

文章目录

- 前言

前言

接着前两章构建大数据开发知识体系图谱和大数据平台架构技术概览，本次继续分享邦中老师的《离线和实时大数据开发实战》读书笔记。讲讲大数据开发的主战场 —— 离线数据开发。离线数据技术已经有了十多年的发展，已经比较稳定，形成了 Hadoop、 MapReduce 和 Hive 为事实标准的离线数据处理技术，离线数据平台是整个数据平台的根本和基础，也是目前数据平台的主站场。

一、HDFS 和 MapReduce 优缺点分析

1.1 HDFS

HDFS 文全称是 Hadoop Distributed File System ，即 Hadoop 分布式文件系统，它是Hadoop 的核心子项目。实际上， Hadoop 中有一个综合性的文件系统抽象，它提供了文件系现的各类接口，而 HDFS 只是这个抽象文件系统的一种实现，但 HDFS 是各种抽象接口实现中应用最为广泛和最广为人知的一个。

HDFS 是基于流式数据模式访问和处理超大文件的需求而开发的，其主要特点如下：

当然，HDFS 的上述种种特点非常适合于大数据量的批处理，但是对于一些特定问题不但没有优势，而且有一定的局限性，主要表现在如下几个方面：

不适合低延迟数据访问

对于那些有低延时要求的应用程序， HBase 是一个更好的选择，尤其适用于对海量数据集进行访问并要求毫秒级响应时间的情况。

无法高效存储大量小文件

要想让 HDFS 处理好小文件，有不少方法。例如，利用 SequenceFile、MapFile、Har 等方式归档小文件。这个方法的原理就是把小文件归档起来管理， HBase 就是基于此的对于这种方法，如果想找回原来的小文件内容，就必须得知道与归档文件的映射关系。此外，也可以横向扩展，一个 NameNode不够，可以多 Master 设计，将NameNode 一个集群代替， Alibaba DFS 的设计，就是多 Master 设计，它把 Metadata 的映射存储和管理分开了，由多个 Metadata 存储节点和一个查询 Master 节点组成。

不支持多用户写入和随机文件修改

在 HDFS 的一个文件中只有一个写入者，而且写操作只能在文件末尾完成，即只能执行追加操作。

1.2 MapReduce

MapReduce 是 Google 公司的核心计算模型，它将运行于大规模集群上的复杂并行计算过程高度地抽象为两个函数： Map 和 Reduce。 Hadoop 中的 MapReduce 是一个使用简单的软件框架，基于它写出来的应用程序能够运行在由上千个商用机器组成的大型集群上，并能可靠容错地并行处理 TB 级别的数据集。

MapReduce 目前非常流行，尤其在互联网公司中 MapReduce 之所以如此受欢迎，是因为它有如下的特点：

在这里插入图片描述

二、HDFS 和 MapReduce 基本架构

HDFS 和 MapReduce 是 Hadoop 的两大核心，它们的分工也非常明确， HDFS 负责分布式存储，而 MapReduce 负责分布式计算。

首先介绍 HDFS 的体系结构， HDFS 采用了主从（ Master/Slave ）的结构模型，一个HDFS 集群是由一个 NameNode 和若干个 DataNode 组成的，其中 NameNode 作为主服务器，管理文件系统的命名空间（即文件有几块，分别存储在哪个节点上等）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 允许用户以文件的形式存储数据。

从内部来看，文件被分为若干数据块，而且这若干个数据块存放在一组 DataNode上。NameNode 执行文件系统的命名空间操作，比如打开、关闭、重命名文件或目录等，它也负责数据块到具体 DataNode 的映射。DataNode 负责处理文件系统客户端的文件读写请求，并在 NameNode 的统一调度下进行数据块的创建、删除和复制工作。