1.什么是hadoop ?
概述:Hadoop是一个适合海量数据的分布式存储和分布式计算的平台。
背景:作者Doug Cutting 受Google三篇论文的启发,开发了hadoop。
2.hadoop组件的介绍(三大组件)
hdfs:是一个分布式存储框架,适合海量数据存储
mapreduce:是一个分布式计算框架,适合海量数据计算
yarn:是一个资源调度平台,负责给计算框架分配计算资源
3.hadoop的特点
- 扩容能力强(Scalable):能可靠(reliably)地存储和处理PB级别的数据。若数据量更大,存储不了,只要再增加节点就可以了。
- 成本低廉(Economical):可以通过普通机器组成的服务器集群来分发以及处理数据.这些服务器集群可达数千个节点。
- 高效率性(Efficient):通过分发计算程序,hadoop可以在数据所在节点上(本地)并行地(parallel)处理他们,这使得处理非常的迅速
- 可靠性(Reliable):hadoop能够自动地维护数据的多份副本,并且在任务失败后能够自动地重新部署(redeploy)计算任务.
4.什么是分布式存储?
- 在分布式存储系统中,分散在不同节点中的数据可能属于同一个文件。
- 为了组织众多的文件,把文件可以放到不同的文件夹中,文件夹可以一级一级的包含。我们把这种组织形式称为命名空间(namespace)。命名空间管理着整个服务器集群中的所有文件。
- 集群中不同的节点承担不同的职责。
1.负责命名空间职责的节点称为主节点(master node)
2.负责存储真实数据职责的节点称为从节点(slave node)。
3.主节点负责管理文件系统的文件结构,从节点负责存储真实的数据,称为主从式结构(master-slaves)。
4.用户操作时,应该先和主节点打交道,查询数据在哪些从节点上存储,然后再到从节点读取。
5.在主节点上,为了加快用户访问的速度,会把整个命名空间信息都放在内存中,当存储的文件越多时,那么主节点就需要越多的内存空间。
6.在从节点存储数据时,有的原始数据文件可能很大,有的可能很小,大小不一的文件不容易管理,那么可以抽象出一个独立的存储文件单位,称为块(block)。
7.数据存放在集群中,可能因为网络原因或者节点硬件原因造成访问失败,最好采用副本(replication)机制,把数据同时备份到多台节点中,这样数据就安全了,数据丢失或者访问失败的概率就小了。
5.hdfs架构的分析介绍
hdfs概述:负责数据的分布式存储
hdfs的主从结构:
主节点,最多可以有2个:namenode
从节点,有多个:datanode
namenode主要负责:
接收用户操作请求,是用户操作的入口
维护文件系统的目录结构,称作命名空间
datanode的职责:
存储数据
6.mapreduce架构的分析介绍
Mapreduce的概述:依赖磁盘io的批处理计算模型
Mapreduce的主从结构:
主节点,只有一个: MRAppMaster
从节点,就是具体的task
MRAppMaster主要负责:
1.接收客户端提交的计算任务
2.把计算任务分给NodeManager的Container中执行,即任务调度
(1) Container是YARN中资源的抽象,它封装了某个节点上一定量的资源(CPU和内存两类资源)
(2) Container由ApplicationMaster向ResourceManager申请的,由ResouceManager中的资源调度器异步分配给ApplicationMaster
(3) Container的运行是由ApplicationMaster向资源所在的NodeManager发起的
3.监控Container中Task的执行情况
Task职责:
执行任务
7.yarn架构的分析介绍
yarn的概述:资源的调度和管理平台
yarn的主从结构:
主节点,最多可以有2个:ResourceManager
从节点,有很多个: NodeManager
ResourceManager主要负责:
集群资源的分配与调度
MapReduce、Storm、Spark等应用,必须实现ApplicationMaster接口,才能被RM管理
NodeManager职责:
单节点资源的管理
8.hadoop环境的搭建
分两中: 1.hadoop伪分布式搭建
2.hadoop集群分布式搭建