Hadoop总结

Hadoop的核心组件有HDFS、MapReduce和Yarn，以及其他常用组件如：HBase、Hive、Hadoop Streaming、Zookeeper等。具体如下图：

HDFS：分布式海量数据存储功能
Yarn：提供资源调度与任务管理功能
资源调度：根据申请的计算任务，合理分配集群中的计算节点(计算机)。
任务管理：任务在执行过程中，负责过程监控、状态反馈、任务再调度等工作。
MapReduce：分布式并行编程模型和计算框架。解决分布式编程门槛高的问题，基于其框架对分布式计算的抽象map和reduce，可以轻松实现分布式计算程序。
Hive：提供数据摘要和查询的数据仓库。解决数据仓库构建问题，基于Hadoop平台的存储与计算，与传统SQL相结合，让熟悉SQL的编程人员轻松向Hadoop平台迁移。
Streaming：解决非Java开发人员使用Hadoop平台的语言问题，使各种语言如C++、python、shell等均可以无障碍使用Hadoop平台。
HBase：基于列式存储模型的分布式数据库。解决某些场景下，需要Hadoop平台数据及时响应的问题。
Zookeeper：分布式协同服务。主要解决分布式下数据管理问题：统一命名、状态同步、集群管理、配置同步等。

Hdfs架构设计图及各主要模块和运行流程：

Hdfs主要有：namenode:管理元数据，DataNode：储存数据，client 和客户端交互。有两个模块 一个是读文件 一个是写文件。

读文件的流程：client 接收到请求，client 请求namenode获取文件的位置，然后client读取DataNode上的数据，在客户端处理好之后给用户。

写文件的流程：client接收到请求，client 请求namenode询问应该把数据放到哪里。然后client流式储存这个数据到block上，然后这个数据复制到备份机上，备份机存好之后。另外一台备份机上再存储一次。

HDFS高可用性措施
1 冗余备份 2 跨机架副本存放 3 心跳检测 4 数据完整性检测 5 安全模式 6 核心文件备份 7 空间回收。

HDFS的主要命令有：
Hdfs dfs -ls

Hdfs dfs -put

Hdfs dfs -mkdir

Hdfs dfs -get

Hdfs dfs -help

Hdfs dfs -cat

Hdfs dfs -rm

Hdfs dfs -text

Hdfs dfs -touch

Hdfs dfs -cp

HDFS数据格式详解：
文件格式：文件格式按面向的存储形式不同，分为面向行和面向列的两大类文件格式。

压缩格式：压缩格式按其可切分计算性，分为可切分计算和不可切分计算两种

MapReducer的流程：Pre-map 对数据进行切割，分成多个split。Map 把数据转换成K,V形式，然后进行partition分区并且排序，然后进行combine本地聚合，然后到shuffle ，拷贝map节点的数据，然后进行文件合并，然后sort排序，然后到reducer阶段，对数据聚合，然后输出到hdfs上。

流程图如下：

在平台上运行 yarn jar testhdfs-jar-with-dependencies.jar 类名 +文件地址；

MapReduce技术特征
1向“外”横向扩展，而非向“上”纵向扩展

2失效被认为是常态

3移动计算，把处理向数据迁移(数据本地性)

4顺序处理数据、避免随机访问数据

5推测执行

6平滑无缝的可扩展性

7为应用开发隐藏系统底层细节

Yarn双层调度架构设计图及各模块的主要作用和运行流程：

Yarn 主要是由resourcemanager,nodemanager,applicationmaster和container组成。

Resourcemanager的作用有：1处理客户端的请求，2监控nodemanager,3启动applicationmaster。4资源分配与调度。

Nodemanager的主要作用有：1管理单个节点上的资源，2处理resourcemanager的命令，3处理applicationmaster的命令。

Applicationmaster的作用有：1向resourcemanager汇报心跳，2向resourcemanager申请资源，开启任务，3 Applicationmaster负责task的管理。

Container的作用有：1是yarn中资源的抽象，Applicationmaster和task都运行在这里。要注意的是：使用Container可能会导致数据出现不一样的情况。

运行流程图如下：

Yarn特点：
资源管理与计算框架解耦设计，一个集群资源共享给上层各个计算框架，按需分配，大幅度提高资源利用率
运维成本显著下降，只需运维一个集群，同时运行满足多种业务需求的计算框架
集群内数据共享一致，数据不再需要集群间拷贝转移，达到共享互用
避免单点故障、集群资源扩展得到合理解决
Yarn常用调度策略：
1先进先出：排队进行任务的处理，先到先做

2容器调度器：允许多用户共享整个集群，每个用户或组织分配专门的队列，不支持抢占式。队列内部默认使用FIFO，也支持Fair调度

3公平调度器：目标是为所有用户分配公平的资源。也支持多用户共享集群，也可划分多队列。队列内部不是FIFO，而是采用公平分配的方式。

Yarn容错性说明
ResourceManager(RM) Failure
同时启动多个RM，基于Zookeeper实现HA避免单点故障，但同时只有一个是active状态

ApplicationMaster(AM) Failure
ApplicationMaster挂掉后，由ResourceManager负责重启。ResourceManager的ApplicationsManager模块会保存已经完成的Task，重启后无需重新运行。ApplicationMaster需要处理内部任务的容错问题，如Task Failure。

NodeManager(NM) Failure
若包含Task计算任务执行失败后，ApplicationMaster决定处理方法。若包含AM任务，则由RM重启一个新的Container运行AM。

Task Failure
通过心跳把信息反馈给AM，或者心跳超时被AM感知，由AM通过重试恢复Task