Hadoop

前言

• Hadoop是一个由Apache基金会所开发的分布式系统基础架构
• 主要解决海量数据的存储和分析计算问题
• Hadoop创始人 – Doug Cutting

三大发行版本

Apache

最基础、最原始的版本
官网地址：http://hadoop.apache.org/releases.html
下载地址：https://archive.apache.org/dist/hadoop/common/

Cloudera

内部集成了很多大数据框架, 对应产品CDH。
官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/

Hortonworks

文档较好, 对应产品HDP。
官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform

优势

高可靠性

Hadoop底层维护多个数据副本 ,所以即使Hadoop某个计算元素或存储出现故障, 也不会导致数据的丢失。

高扩展性

在集群间分配任务数据, 可方便的扩展数以千计的节点。

高效性

在MapReduce的思想下, Hadoop是并行工作的, 以加快任务的处理速度。

高容错性

能够自动将失败的任务重新分配

组成

Hadoop1.x : MapReduce + HDFS + Common
Hadoop2.x : MapReduce + Yarn + HDFS + Common

MapReduce

• 作用 : 计算
• 组成
  Map阶段 : 并行处理输入数据。
  Reduce阶段 : 对Map阶段的结果进行汇总。
  
  MR详解 :

Yarn

• 作用
• 组成
  ResourceManager : 处理客户端请求 ; 监控NodeManager ; 启动或监控ApplicationMaster ; 资源的分配与调度。
  NodeManager : 管理单个节点上的资源 ; 处理来自ResourceManager的命令 ; 处理来自ApplicationMaster的命令。
  ApplicationMaster : 负责数据的切分 ; 为应用程序申请资源并分配给内部的任务 ; 任务的监控与容错。
  Container : 它是Yarn中的资源抽象, 其作用是封装某个节点上的多维度资源, 如内存、CPU、磁盘、网络等。
  
  Yarn详解 :

HDFS

• 作用 : 数据存储
• 组成
  NameNode : 存储文件的元数据, 如文件名、文件目录结构、文件属性(生成时间、副本数、文件权限), 以及每个文件的块列表和块所在的DataNode等。
  DataNode : 在本地文件系统存储文件块数据, 以及块数据的校验和。
  SecondaryNameNode : 每隔一段时间对NameNode元数据备份, 辅助且无法代替NameNode。
  HDFS详解 :

Common

• 作用 : 辅助工具

Hadoop3.x和Hadoop2.x主要区别

最低Java版本从7升级到8

引入纠删码(Erasure Coding)

• 主要解决数据量大到一定程度磁盘空间存储能力不足的问题.
• HDFS中的默认3副本方案在存储空间中具有200%的额外开销。但是, 对于I/O活动相对较少冷数据集, 在正常操作期间很少访问其他块副本，但仍然会消耗与第一个副本相同的资源量。
• 纠删码能勾在不到50%数据冗余的情况下提供和3副本相同的容错能力，因此，使用纠删码作为副本机制的改进是自然而然，也是未来的趋势.

重写了Shell脚本

• 重写了Shell脚本，修改了之前版本长期存在的一些错误，并提供了一些新功能,在尽可能保证兼容性的前提下，一些新变化仍然可能导致之前的安装出现问题。
  • 例如:
    – 所有Hadoop Shell脚本子系统现在都会执行hadoop-env.sh这个脚本，它允许所有环节变量位于一个位置；
    – 守护进程已通过*-daemon.sh选项从*-daemon.sh移动到了bin命令中，在Hadoop3中，我们可以简单的使用守护进程来启动、停止对应的Hadoop系统进程；

引入了新的API依赖

• 之前Hadoop客户端操作的Maven依赖为hadoop-client，这个依赖直接暴露了Hadoop的下级依赖，当用户和Hadoop使用相同依赖的不同版本时，可能造成冲突。
• Hadoop3.0引入了提供了hadoop-client-api 和hadoop-client-runtime依赖将下级依赖隐藏起来，一定程度上来解决依赖冲突的问题。

MapReduce任务的本地化优化

• MapReduce引入了一个NativeMapOutputCollector的本地化(C/C++)实现，对于shuffle密集的任务，可能提高30%或者更高的性能。

支持超过两个NameNode

• HDFS NameNode高可用性的初始实现为单个Active NameNode 和 单个 Standby NameNode, 将edits复制到三个JournalNode。 该体系结构能够容忍系统中一个NN或者一个JN故障.但是，某些部署需要更高程序的容错能力，Hadoop3.x允许用户运行一个Active NameNode 和 多个 Standby NameNode。

许多服务器的默认端口改变

• Hadoop3.x之前，多个Hadoop服务的默认端口位于Linux临时端口范围(63768~61000). 这意味着在启动时，由于与另一个应用程序冲突，服务有时无法绑定到端口。
• 在Hadoop3.x中，这些可能冲突的端口已移出临时范围，受影响的有NameNode , SecondaryNamenode , DataNode 和 KMS 。

添加对Microsoft Azure Data Lake 和 阿里云对象存储系统的支持

DataNode内部实现Balancer

• 一个DN管理多个磁盘，当正常写入时，多个磁盘是平均分配的。然而当添加新磁盘时，这种机制会造成DN内部严重的倾斜。
  之前的DataNode Balancer只能实现DN之间的数据平衡，Hadoop3.x实现了内部的数据平衡。

重做的后台和任务堆内存管理器

• 已实现根据服务器自动配置堆内存，HADOOP_HEAPSIZE变量失效。简化MapTask 和ReduceTask的堆内存配置，现已不必同时在配置中和Java启动选项中指定堆内存大小，旧有配置不会受到影响。

HDFS实现服务器界别的Federation分流

• 对于HDFS Federation， 添加了一个对统一命名空间的RPC路由层 。 和原来的HDFS Federation没有变化，只是目前挂在管理不必在客户端完成，而是放在的服务器，从而简化了HDFS Federation访问。

Yarn的时间线服务升级到V2

Yarn的时间线服务是MRJobHistory的升级版，提供了在Yarn上运行第三方程序的历史支持，该服务在Hadoop3.0升级为第二版。

容量调度器实现API级别的配置

• 现在容量调度器可以实现通过REST API来改变配置，从而让管理员可以实现调度器自动配置。

Yarn实现更多种资源类型的管理

• Yarn调度器现已可以通过配置实现用户自定义的资源管理。现在Yarn可以根据CPU和内存意外的资源管理其任务队列。\

参考 :
https://blog.csdn.net/chj_xc/article/details/54907029
https://www.cnblogs.com/smartloli/p/8827623.html
https://www.cnblogs.com/smartloli/p/9028267.html