大数据基础

本文详细介绍了大数据存储与管理,包括HDFS的核心概念、体系结构、存储原理及HDFS 2.0的改进。接着讲解了分布式数据库HBase,阐述了HBase的基本概念、数据模型和实现原理。此外,还探讨了大数据处理与分析中的批处理框架MapReduce和基于内存的计算框架Spark。最后,提到了资源管理调度框架YARN的体系结构和工作流程。
摘要由CSDN通过智能技术生成

一、大数据存储与管理

1. 分布式文件系统HDFS

1.1 HDFS核心概念

  1. 块:块是数据读写的基本单元。HDFS中的文件会被拆分成多个块,每个块作为独立的单元进行存储。
  2. 数据节点(DataNode):分布式文件系统HDFS的工作节点,负责数据的存储和读取,会根据客户端或者名称节点的调度来进行数据的存储和检索,并且向名称节点定期发送自己所存储的块的列表。每个数据节点中的数据会被保存在各自节点的本地Linux文件系统中。
  3. 名称节点(NameNode):负责管理分布式文件系统的命名空间(Name Space),保存了两个核心的数据结构,即FsImage和EditLog:
    FsImage用于维护文件系统树中所有的文件和目录的元数据;
    EditLog中记录了所有针对文件的创建、删除、重命名等操作。
  • 名称节点在启动时,会将FsImage的内容加载到内存当中,然后执行EditLog文件中的各项操作,使得内存中的元数据保持最新。
  • 创建一个新的FsImage文件和一个空的EditLog文件。
  • 名称节点启动成功并进入正常运行状态以后,HDFS中的更新操作都会被写入到EditLog,而不是直接写入FsImage。(因为对于分布式文件系统而言,FsImage文件通常都很庞大,如果所有的更新操作都直接往FsImage文件中添加,那么系统就会变得非常缓慢。相对而言,EditLog通常都要远远小于FsImage,更新操作写入到EditLog是非常高效的。)
  • 名称节点在启动的过程中处于“安全模式”,只能对外提供读操作,无法提供写操作。启动过程结束后,系统就会退出安全模式,进入正常运行状态,对外提供读写操作。
    在这里插入图片描述
  1. 第二名称节点(Secondary Namenode ):可以完成EditLog和FsImage的合并操作,减小EditLog文件大小,缩短名称节点重启时间;作为名称节点的检查点,保存名称节点中元数据信息。

1.2 HDFS体系结构

HDFS采用了主从(Master/Slave)结构模型,一个HDFS集群包括了一个名称节点(NameNode)和若干个数据节点(DataNode)。
每个数据节点会周期性的向名称节点发生“心跳“信息,报告自己的状态,没有按时发送“心跳”信息的数据节点被标记为宕机,不再给他分配任何IO请求。
在系统内部,一个文件被切分成多个数据块,这些数据块被分布到若干个数据节点上。当客户,端要访问一个文件时:

  1. 把文件名发给NN;
  2. 由NN根据文件名找到对应的数据块;
  3. 根据每个数据块信息找到实际存储数据块的DN的位置;
  4. 把DN位置发送给客户端;
  5. 客户端直接访问DN获取数据。
    在整个访问过程中,NN并不参与数据传输。这种设计方式,使得一个文件的数据能够在不同的数据节点上实现并发访问,大大提高了数据访问速度。

1.3 HDFS存储原理

  1. 数据的冗余存储:作为一个分布式文件系统,为了保证系统的容错性和可用性,HDFS采用了多副本方式对数据进行冗余存储,通常一个数据块的多个副本会被分布到不同的数据节点。
  2. 数据存取策略
    (1)数据存放
  • 如果是在集群内发起写操作请求,则把第一个副本放置在发起写操作请求的数据节点上,实现就近写入数据。如果是来自集群外部的写操作请求,则从集群内部挑选一台磁盘不太满、CPU不太忙的数据节点,作为第一个副本的存放地;
  • 第二个副本会被放置在与第一个副本不同的机架的数据节点上;
  • 第三个副本会被放置在与第一个副本相同的机架的其他节点上;
  • 如果还有更多的副本,则继续从集群中随机选择数据节点进行存放。
    (2)数据读取
    HDFS提供了一个API可以确定一个数据节点所属的机架ID,客户端也可以调用API获取自己所属的机架ID。当客户端读取数据时,从名称节点获得数据块不同副本的存放位置列表,列表中包含了副本所在的数据节点,可以调用API来确定客户端和这些数据节点所属的机架ID。
    当发现某个数据块副本对应的机架ID和客户端对应的机架ID相同时,就优先选择该副本读取数据,如果没有发现,就随机选择一个副本读取数据。
  1. 数据错误与恢复
    (1)名称节点出错
    NameNode核心FsImage和EditLog,这两个文件发生损坏,那么整个HDFS实例将失效。Hadoop采用两种机制来确保名称节点的安全:第一,把名称节点上的元数据信息同步存储到其他文件系统中;第二,运行一个第二名称节点,当名称节点宕机以后,可以把第二名称节点作为一种弥补措施,利用第二名称节点中的元数据信息进行系统恢复,但是从前面对第二名称节点的介绍中可以看出,这样做仍然会丢失部分数据。因此,一般会把上述两种方式结合使用,当名称节点发生宕机时,首先到远程挂载的网络文件系统中获取备份的元数据信息,放到第二名称节点上进行恢复,并把第二名称节点作为名称节点来使用。
    (2)数据节点出错
    当数据节点发生故障,或者网络发生断网时,名称节点就无法收到来自一些数据节点的“心跳”信息,这时这些数据节点就会被标记为“宕机”,节点上面的所有数据都会被标记为“不可读”,名称节点不会再给它们发送任何I/O请求。
    这时,由于一些数据节点的不可用,会导致一些数据块的副本数量小于冗余因子。
    名称节点会定期检查这种情况,一旦发现某个数据块的副本数量小于冗余因子,就会启动数据冗余复制,为它生成新的副本。
    (3)数据出错
    在文件被创建时,客户端就会对每一个文件块进行信息摘录,并把这些信息写入同一个路径的隐藏文件里面。
    当客户端读取文件的时候,会先读取该信息文件,然后利用该信息文件对每个读取的数据块进行校验,如果校验出错,客户端就会请求到另外一个数据节点读取该文件块,并且向名称节点报告这个文件块有错误,名称节点会定期检查并且重新复制这个块。

1.4 HDFS 2.0

  1. HDFS HA
    为了解决单点故障问题,HDFS2.0采用了HA(HighAvailability)架构。
    在一个典型的HA集群中,一般设置两个名称节点,其中一个名称节点处于“活跃(Active)”状态,另一个处于“待命(Standby)”状态。
    处于活跃状态的名称节点负责对外处理所有客户端的请求,而处于待命状态的名称节点则作为备用节点,保存了足够多的系统元数据,当名称节点出现故障时提供快速恢复能力。
    也就是说,在HDFSHA中,处于待命状态的名称节点提供了“热备份”,一旦活跃名称节点出现故障,就可以立即切换到待命名称节点,不会影响到系统的正常对外服务。
    在某个时刻也只会有一个名称节点处于活跃状态,另一个则处于待命状态。因而,HDFS HA在本质上还是单名称节点,只是通过“热备份”设计方式解决了单点故障问题,并没有解决可扩展性、系统性能和隔离性三个方面的问题
  2. HDFS联邦
    在这里插入图片描述

HDFS联邦中的名称节点提供了命名空间和块管理功能。
在HDFS联邦中,所有名称节点会共享底层的数据节点存储资源。每个数据节点要向集群中所有的名称节点注册,并周期性地向名称节点发送“心跳”和块信息,报告自己的状态,同时也会处理来自名称节点的指令。
与HDFS1.0不同的是,HDFS联邦拥有多个独立的命名空间,其中,每一个命名空间管理属于自己的一组块,这些属于同一个命名空间的块构成一个“块池”(BlockPool)。每个数据节点会为多个块池提供块的存储。
可以看出,数据节点是一个物理概念,而块池则属于逻辑概念,一个块池是一组块的逻辑集合,块池中的各个块实际上是存储在各个不同的数据节点中的。因此,HDFS联邦中的一个名称节点失效,也不会影响到与它相关的数据节点继续为其他名称节点提供服务。

2. 分布式数据库HBase

2.1 HBase简介

HBase是一个高可靠、高性能、面向列、可伸缩的分布式数据库,是谷歌BigTable的开源实现,主要用来存储非结构化和半结构化的松散数据。
HBase的目标是处理非常庞大的表&

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值