Hadoop的架构知识

最近没事研究了下Hadoop，先来了解下Hadoop的架构知识

Hadoop是一个能够对大量数据进行分布式处理的软件框架，实现了Google的MapReduce编程模型和框架，能够把应用程序分割成许多小的工作单元，并把这些单元放到任何集群节点上执行。在MapReduce中，一个准备提交执行的应用程序成为“作业job”，而从一个作业换分出的、运行于个计算节点的工作单元成为“任务task”。此外，Hadoop提供的分布式文件系统HDFS主要负责各个节点上的数据的存储，并实现了高吞吐率的数据读写。

在分布式存储和分布式计算方面，Hadoop都使用主/从（Master/Slave）架构。在一个配置完整的集群上想让Hadoop跑起来，需要在集群中运行一系列后台（daemon）程序。不同的祸胎程序扮演着不同的角色，这些角色由NameNode，DataNode，Secondary NameNode，JobTracker，TaskTracker组成，其中NameNode，Secondary NameNode，JobTracker运行在Master几点上，而在每个Slave节点上，部署着一个DataNode和TaskTracker，一边这个Slave服务器上运行的数据处理程序能尽可能直接处理本机的数据。对Master节点需要特别说明的是，在小集群中，Secondary NameNode可以属于某个从节点；在大型集群汇中，NameNode和JobTracker被分别部署在两台服务器上。

NameNode
NameNode是HDFS的守护程序，负责记录文件是如何分割成数据块的，以及数据块被存储到哪些数据节点上。它的主要功能是对内存及I/O进行集中管理。

一般来说，NameNode所在的服务器不存储任何用户信息或执行计算任务，以避免这些程序降低服务器的性能。如果其他从服务器因出现软硬件的问题而宕机，Hadoop集群仍旧可以继续运行，或者快速重启。但是由于NameNode是Hadoop集群中的一个单一节点，一旦NameNode服务器宕机，整个系统将无法运行。

DataNode
集群中的每个从服务器都运行着一个DataNode后台程序，它负责把HDFS数据块读写到本地的文件系统。当需要通过客户端读/写某个数据时，先由NameNode告诉客户端去哪个DataNode进行具体的读/写操作，然后，客户端直接与这个DataNode服务器的后台程序进行通信，并且对相应的数据块进行读/写操作。

Secondary NameNode
Secondary NameNode是一个用来监控HDFS状态的辅助后台程序。就像NameNode一样，每个集群都有一个Secondary NameNode，并且部署在一台单独的服务器上。Secondary NameNode不同于NameNode，它不接收或记录任何实时的数据变化，但是，它会与NameNode进行通信，以便定期地保存HDFS元数据的快照。由于NameNode是单点的，通过Secondary NameNode的快照功能，可以讲NameNode的宕机事件和数据损失降低到最小。同时，如果NameNode发生问题时，Secondary NameNode可以及时地作为备用NameNode继续使用。

JobTracker
JobTracker后台程序用来连接应用程序与Hadoop。用户代码提交到集群以后，由JobTracker决定哪个文件将被处理，并且为不同的task分配节点。同时，它还监控所有运行的task，一旦某个task失败了，JobTracker就会自动重新开启这个task，在大多数情况下这个task会被放在不同的节点上，当然，具体运行情况取决于重启的预设值。每个Hadoop集群只有一个JobTracker，一般运行在集群的Master节点上。

TaskTracker
TaskTracker与负责存储数据的DataNode相结合，其处理结构上也遵循主/从架构。JobTracker位于主节点，统领MapReduce工作，而TaskTracker位于从节点，独立管理各自的task。每个TaskTracker负责独立执行具体的task，而JobTracker负责分配task。虽然每个从节点上仅有唯一的一个TaskTracker，但是每个TaskTracker可以产生多个Java虚拟机（JVM），用于并行处理多个map以及reduce任务。TaskTracker的一个重要职责就是与JobTracker交互。如果IobTaskTracker无法准时地获取TaskTracker提交的信息，JobTracker就判定TaskTracker已经崩溃，并将任务分配给其他的节点处理。