1.1 Hadoop 简介 & 相关

于 2019-12-16 10:46:37 发布
阅读量99 收藏
点赞数
分类专栏： BigData - Hadoop
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/digua930126/article/details/103449092
版权

简介

问题起源

  • Google
    爬取全球的网站,然后计算页面的PageRank
  • 要解决的问题
    这些网站怎么存放
    这些网站应该怎么计算

思想之源

  • Google发布了三篇论文
    GFS : Google File System – 谷歌文件系统
    MapReduce ：数据计算的方法
    BigTable

Hadoop创始人

Doug cutting 花费了自己的两年业余时间，用java将论文实现了出来
在这里插入图片描述

发展历程

  • 2003-2004年，Google公开了部分GFS和Mapreduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和Mapreduce机制，一个微缩版：Nutch
  • Hadoop 于 2005 年秋天作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
  • 2006 年 3 月份，Map-Reduce分布式离线计算 和 Nutch Distributed File System (NDFS) nutch分布式文件系统分别被纳入称为 Hadoop 的项目中。
  • （Hadoop如今是Apache基金会顶级金牌项目）
  • Hadoop这名字来源于Doug Cutting儿子的玩具大象。

对应实现

  • Hadoop(Java) — 分布式系统架构
  • HDFS - Hadoop Distributed File System
    (hadoop 分布式文件系统)
  • MapReduce — 分布式计算系统

Logo
在这里插入图片描述

官网地址: http://hadoop.apache.org/
经过时间的发展 Hadoop 1.x-->3.x



Hadoop组成

Hadoop Common
	---- 基础型功能
Hadoop Distributed File System
	---- 负责存放数据
Hadoop YARN
	---- 负责资源的调配
Hadoop MapReduce
	---- 大数据的计算框架
Hadoop Ozone
	---- 数据存放到仓库
Hadoop Submarine
	---- 机器学习引擎

Hadoop = hdfs（存储） + mapreduce(计算) + yarn(资源管理) + common(工具包) …

分布式存储系统HDFS

（Hadoop Distributed File System ）

  • 分布式存储系统
  • 提供了 高可靠性、高扩展性和高吞吐率的数据存储服务

分布式计算框架MapReduce

  • 分布式计算框架（计算向数据移动）
  • 具有 易于编程、高容错性和高扩展性等优点。

分布式资源管理框架YARN

（Yet Another Resource Management）

  • 负责集群资源的管理和调度



HDFS分布式存储系统(★)

HDFS

  • HDFS是什么？
    HDFS是Hadoop分布式文件存储系统
  • 为什么会有分布式的文件存储系统出现？
    以应对大量的数据和如何计算的难题
  • 大量【pb级以上】的网页怎么存储问题
    （之前是用磁柜存储）

分布式存储系统HDFS （Hadoop Distributed File System）
主要解决大数据的存储问题。

经过多年的发展，HDFS的应用已经非常成熟非常多，如百度网盘 360云盘 腾讯微云 阿里云（不仅提供服务器和云存储还提供服务，比一般的强多了）

大数据好多技术框架都架构于这个文件存储系统之上的。

在这里插入图片描述
hdfs架构图
hdfs架构图

hdfs的构建原理

Hadoop Distributed File System分布式文件系统 
---- 负责存放数据

数据量比较大

数据的安全性

概念

  • 字节数组
    文件的抽象概念
  • 切分数据
    对字节数组进行切分
  • 拼接数据
    按照数组的偏移量将数据连接到一起
  • 偏移量
    当前数据在数组中的相对位置
  • 节点
    集群中参与计算的虚拟机（服务器）
  • 数据块 Block
    数据被切分后的一个整体
    1.x 64M ---- 2.x 128M
    真实情况下，会根据文件大小和集群节点的数量综合考虑块的大小
  • 数据块的个数 =Ceil（ 文件大小 / 每个块的大小）
  • 每个数据块会有3个副本，相同副本是不会存放在同一个节点上
  • 副本的数量可以变更，但是Block的大小是不能改变的

数据存储的原理：

  • 不论文件是大是小，所有的文件都是由字节数组构成
  • 如果我们要切分文件,就是将一个字节数组分成多份
  • 我们将切分后的数据拼接到一起，数据可以继续使用
  • 我们需要根据数据的偏移量将他们重新拼接到一起

效率

  • 我们为了更好地去处理数据，我们希望更多的节点参与到运算
  • 那么我们需要将数据进行切分
  • 切分之后，子数据块会放在不同的节点上
    因为大小和切片数量和存放位置都是未知的
    如果直接查询效率很低
    需要专门给节点进行分工
        存储 DataNode
        记录 NameNode

拆分的标准

  • 拆分的数据块需要等大
    等大考虑算法的时候，可以将问题简化
    数据计算的速度 :相对均衡
    数据的读取速度
    通过偏移量就知道这个块的位置
  • 同一个文件中，每个子数据块大小要一致
    除了最后一个节点外
  • 不同文件切分的子数据块可以不同

安全

  • 肯定要对数据做备份
  • 备份的数据肯定不能存放在一个节点上
  • 当我们使用数据的时候可以就近获取数据
  • 所以备份的数量要小于等于节点的数量

HDFS绝对不允许去修改数据

  • 不能等分
  • 如果要保证等分，有可能会产生数据的大批量迁移(蝴蝶效应)

HDFS允许追加数据

  • 但是集群默认是不支持追加的，需要手动开启追加功能

Mapreduce是完全基于HDFS之上的计算框架



集群节点

NameNode(NN)

功能

-接受客户端的读写服务

-保存文件的时候会保存文件的元数据信息
	--文件的归属
	--文件的权限
	--文件的大小时间
	--Block信息，但是block的位置信息不会持久化,需要每次开启集群的时候DN上报
	
-收集Block的位置信息
	--系统启动
		---NN关机的时候是不会存储任意的Block信息
		---DN启动的时候，会将自己节点上存储的文件信息汇报给NN
		---NN接受请求之后重新生成映射关系
		---如果某个数据块的副本数小于设置数，那么NN会将这个副本拷贝到其他节点
	--集群运行中
		---NN与DN保持心跳机制,三秒钟发送一次
		---如果客户端需要读取或者上传数据的时候，NN可以知道DN的健康情况
		---可以让客户端一致读取存活的节点
		---如果DN超过三秒没有心跳，就认为DN出现异常，就不会让新的数据读写去DN
		---如果DN超过10分钟没有心跳，那么NN会将当前DN存储的数据转存到其他节点

NameNode为了效率，将所有的操作都在内存中完成

-执行速度快

-NameNode不会和磁盘进行任何的数据交换

-问题:
	--数据的持久化
		---数据保存在内存中，掉电易失

DataNode(DN)

-存放的是文件的数据信息

-数据会存放在硬盘上

-汇报
	--启动时
		---向NN汇报当前DN上block的信息
	--运行中
		---向NN保持心跳机制

SecondaryNameNode(SNN)

-传统的内存持久化方案
	--日志机制
			---做任何操作之前先记录日志
			---在数据改变之前先记录对应的日志，当NN停止的时候
			---当我下次启动的时候，只需要重新按照以前的日志“重做”一遍即可
			---但是数据文件大小不可控，随着时间的发展，集群启动的时间会越来越长
	--拍摄快照
			---我们可以将内存中的数据写出到硬盘上
			---启动时还可以将硬盘上的数据写回到内存中
			---缺点
				关机时间过长
				如果是异常关机，数据还在内存中，没法写入到硬盘
				如果写出频率过高，导致内存使用效率低（stop the world） JVM
				
-SNN的解决方案
	--解决思路
			---让日志大小可控
			---快照需要定时保存
	--解决方案
			---当我们每次集群启动的时候，都会生成一个叫做 fsimage0000001
			---我们每次操作都会记录日志 -->edits_inprogress-000000001
			---随和时间的推移，日志文件会越来越大，当达到阈值的时候（64M 或 3600秒）
			---会生成新的日志文件 
				edits_inprogress-000000001 -->edits_0000001
				创建新的日志文件edits_inprogress-0000000016 
				
-查看SNN的工作过程
	--查看目录
			---/var/sxt/hadoop/local/dfs/name/current
			---edits_0000000000000000001-0000000000000000002
			---edits_0000000000000000006-0000000000000000045
			---edits_inprogress_0000000000000000046
				当前已经正在执行的操作的日志信息
				这些日志信息还没有被合并到镜像中
			---fsimage_0000000000000000004
			---fsimage_0000000000000000004.md5
				完整性校验规则
			---fsimage_0000000000000000045
			---fsimage_0000000000000000045.md5
			---seen_txid -->46
			---VERSION



集群相关

文件的数据

分类:
	元数据:
	  文件属性的相关描述
	  使用stat命令查看
	数据:
	  使用vim命令查看

安全模式

- 指的是集群启动时的一个状态
- 处于这个状态为了保护数据的安全所以不可以被客户端访问
- NN启动时不会记录block的位置信息,需要DN汇报
- 如果NN收集Block的信息达到最少副本数，就会脱离安全模式
- 如果NN收集的Block信息没有达到最少副本数，就会将缺失的副本,从有的DN上拷贝到其他DN
- 在拷贝的过程中系统还是处于安全模式

HDFS的权限

 - HDFS对权限的控制
 	只能防止好人做错事
	不能防止坏人做坏事
 - 你告诉他你是谁，他就认为你是谁！

机架感知策略

-为了保证副本在集群不发生意外
-我们需要将副本放在不同的节点上，节点也需要一定的考量
-第一个节点
	--集群内部
		---优先考虑和客户端相同节点作为第一个节点
	--集群外部
		---选择资源丰富且不繁忙的节点为第一个节点
-第二个节点
	--选择和第一个节点不同机架的其他节点
-第三个节点
	--与第二个节点相同机架的其他接点
-第N个节点
	--与前面节点不重复的其他节点



BF-LoneSilverWind
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Hadoop上路v1.1.pdf
07-21
《Hadoop上路v1.1》是一本面向新手的Hadoop入门教程，旨在帮助初学者理解并掌握Hadoop分布式计算框架。书中详尽介绍了如何在Hadoop 1.1.2版本上搭建伪分布式和分布式集群，以及如何通过Java API操作HDFS，并使用...
hadoop - hadoop-illuminated
06-21
1.1. About "Hadoop illuminated" 1 2. About Authors 2 3. Big Data 5 3.1. What is Big Data? 5 3.2. Human Generated Data and Machine Generated Data 5 3.3. Where does Big Data come from 5 3.4. Examples of...
hadoop-2.10.0jar.zip
07-18
包含hadoop平台Java开发的所有所需jar包，例如activation-1.1.jar apacheds-i18n-2.0.0-M15.jar apacheds-kerberos-codec-2.0.0-M15.jar api-asn1-api-1.0.0-M20.jar api-util-1.0.0-M20.jar asm-3.2.jar avro-1.7.7...
hadoop集群部署.docx
12-14
3.1 创建hadoop文件路径：在Master和Slave节点上，创建用于存放Hadoop相关文件的目录，如 `/usr/local/hadoop`。 3.2 下载安装：从Apache官网下载最新稳定版Hadoop，然后解压缩到指定目录，例如 `/usr/local/hadoop...
Hadoop分布式文件储存系统
01-07
简介 一句话(官方):分布式存储系统HDFS( Hadoop Distributed File System)。 其实就是一个文件系统，类似于linux的文件系统。有目录，目录下可以存 储文件。但它又是一个分布式的文件系统。 基本原理 将文件切分成等...
b050闲置图书分享-springboot+vue+elementui.zip（可运行源码+sql文件+文档）
07-23
本次开发的闲置图书分享平台实现了收货地址管理、字典管理、公告管理、留言板管理、图书管理、图书收藏管理、图书评价管理、图书订单管理、用户管理、管理员管理等功能。系统用到了关系型数据库中王者MySql作为系统的数据库，有效的对数据进行安全的存储，有效的备份，对数据可靠性方面得到了保证。并且程序也具备程序需求的所有功能，使得操作性还是安全性都大大提高，让闲置图书分享平台更能从理念走到现实，确确实实的让人们提升信息处理效率。 管理图书的数据，此页面主要实现图书的增加、修改、删除、查看的功能。公告信息管理页面提供的功能操作有：新增公告，修改公告，删除公告操作。公告类型管理页面显示所有公告类型，在此页面既可以让管理员添加新的公告信息类型，也能对已有的公告类型信息执行编辑更新，失效的公告类型信息也能让管理员快速删除。
《大学生职业生涯规划与就业指导》大一阶段课程作业
最新发布
07-24
《大学生职业生涯规划与就业指导》大一阶段课程作业
开题报告潮汕特产直销系统 已通过开题答辩的.doc
07-23
随着互联网的高速发展，人们的生活方式发生了翻天覆地的变化，在过去，人们想要购买很远地方的东西会非常麻烦，因为是通信和交通都不是十分的方便，而现在网络购物成为了人们日常生活中不可或缺的一部分。在这样的背景下，互联网与传统行业的融合已经成为了一种不可阻挡的趋势。对于中国特色的潮汕特产来说，这一趋势也带来了巨大的变革和发展机遇[1]。
Python性能优化：掌握性能分析工具的实战指南
07-23
Python是一种广泛使用的高级编程语言，由Guido van Rossum于1989年底发明，第一个公开发行版发行于1991年。Python的设计哲学强调代码的可读性和简洁的语法（尤其是使用空格缩进来区分代码块，而不是使用大括号或关键词）。这使得Python被认为是一种易于学习的语言，同时具备强大的功能，适合初学者和经验丰富的程序员。 Python的主要特点包括： 1. **易于学习**：Python有相对较少的关键字，结构简单，和一个明确定义的语法。 2. **易于阅读**：Python代码定义的清晰度使得它像可执行伪代码。 3. **易于维护**：Python的成功在于它的源代码是相当容易维护的。 4. **广泛的标准库**：Python的标凑库很庞大，包含用于互联网通信、网络通信、数据压缩、加密、系统管理等的模块。 5. **跨平台**：Python可以在多种操作系统上运行，包括但不限于Windows、Mac OS X、Linux等。 6. **解释型语言**：Python是一种解释型语言，这意味着开发过程中没有编译步骤。 7. **动态类型系统**：Python不会在编写
Android学习系列之gradle实战
07-23
Android学习系列之gradle实战
RFC 3261中文版技术文档
07-23
**标题与描述解析** 标题"RFC 3261 中文文档"指的是互联网请求评论（Request for Comments）3261的中文版本。RFC 3261是互联网工程任务组（IETF）发布的一个重要标准，它定义了SIP（Session Initiation Protocol，会话初始协议）的核心规范。SIP是一种用于建立、修改和终止多媒体通信会话的协议，广泛应用于VoIP（Voice over IP，IP语音）和统一通信系统中。 描述同样简洁明了，只强调了这是RFC 3261的中文翻译，意味着对于中文读者来说，这个文档提供了一个理解SIP协议的中文语言资源。 **标签解析** "RFC3261 中文"标签进一步确认了文档的内容，表明这是关于RFC 3261的中文资料，便于搜索和分类。 **压缩包子文件的文件名称列表** 文件名为"RFC3261 中文.mht"，这是一个单一网页文件，通常包含HTML、图像和其他资源，用于保存完整的网页内容。用户可以通过打开这个文件来查看RFC 3261的中文翻译。 **SIP协议详述** SIP协议是基于文本的，其设计类似于HTTP
嵌入式LinuxC语言程序设计基础教程第8章函数解读.doc
07-23
嵌入式
DirectShow滤镜：字幕叠加功能（含注解说明）
07-23
DirectShow Transform Filter最典型的例子，带注释，难度不大，学习必备 博客对应文章http://blog.csdn.net/leixiaohua1020/article/details/12498975。内容来源于网络分享，如有侵权请联系我删除。另外如果没有积分的同学需要下载，请私信我。
b069牙科就诊管理系统-springboot+vue+elementui.zip（可运行源码+sql文件+文档）
07-23
牙科就诊管理系统利用当下成熟完善的SSM框架，使用跨平台的可开发大型商业网站的Java语言，以及最受欢迎的RDBMS应用软件之一的Mysql数据库进行程序开发。实现了用户在线查看数据。管理员管理病例管理、字典管理、公告管理、药单管理、药品管理、药品收藏管理、药品评价管理、药品订单管理、牙医管理、牙医收藏管理、牙医评价管理、牙医挂号管理、用户管理、管理员管理等功能。牙科就诊管理系统的开发根据操作人员需要设计的界面简洁美观，在功能模块布局上跟同类型网站保持一致，程序在实现基本要求功能时，也为数据信息面临的安全问题提供了一些实用的解决方案。可以说该程序在帮助管理者高效率地处理工作事务的同时，也实现了数据信息的整体化，规范化与自动化。 管理员在后台主要管理病例管理、字典管理、公告管理、药单管理、药品管理、药品收藏管理、药品评价管理、药品订单管理、牙医管理、牙医收藏管理、牙医评价管理、牙医挂号管理、用户管理、管理员管理等。 牙医列表页面，此页面提供给管理员的功能有：查看牙医、新增牙医、修改牙医、删除牙医等。公告信息管理页面提供的功能操作有：新增公告，修改公告，删除公告操作。公告类型管理页面显示所有公告类型，在此页面既可以让管理员添加新的公告信息类型，也能对已有的公告类型信息执行编辑更新，失效的公告类型信息也能让管理员快速删除。药品管理页面，此页面提供给管理员的功能有：新增药品,修改药品,删除药品。药品类型管理页面，此页面提供给管理员的功能有：新增药品类型,修改药品类型,删除药品类型。
2014年4月-2023年11月上市公司ESG数据（秩鼎）（月度数据）.xlsx
07-23
2014年4月-2023年上市公司秩鼎ESG评级数据 1、时间：2014年4月-2023年11月 2、来源:秩鼎数据 3、指标：证券代码、SC、评级日期、ESG评级、ESG等级、ESG得分、E评级、E等级、E得分、S评级、S等级、S得分、G评级、G等级、G得分、总市值(亿元)、流通市值(亿元)、市盈率(TTM)、ESG标准正态、E标准正态、S标准正态、G标准正态、三者标准差、证券简称、 4、范围：上市公司
Sequator执行文件
07-23
Sequator.exe。内容来源于网络分享，如有侵权请联系我删除。另外如果没有积分的同学需要下载，请私信我。
wireless.sh执行脚本
07-23
openwrt执行脚本配置网络
本文利用随机森林模型对房价数据进行预处理， 基于 XGBoost对房价进行预测；通过对比实验，发现优化后的 XGBoost模型在
07-23
1.本文首先对数据集进行了特征工程，根据相关性对部分特征进行了剔除。 其他的特征工程还包括分类变量的编码方式的探讨以及对连续变量的标准化。 2.随后对数据集做进一步处理，连续变量的缺失值以平均值填充，并进行标 准化；分类变量的缺失值以出现最多的类别等方式进行填充，使用 Ordinal Encoder 进行编码。使用 Random Forest Regressor 进行特征选择，输出特征重要 性，为 XGBoost模型的训练做准备。 3.使用 XGBoost 进行预测，数据选择之前使用随机森林输出的特征重要性的 前 30 作为特征变量；最后将问题转换为分类问题，预测房价的高和低。 本文做的比较好的方面在于对于过多的特征采取了使用随机森林模型进行 筛选，这使得后续使用 XGBoost 时训练时间大幅减小。在实际训练当中，使用 随机森林的效果明显好于 XGBoost，这是本文的一个缺陷。另一方面，直接将回 归任务转化为分类任务意义不大，如何评定该地的房价是高还是低是一件比较主 观的事情，不同的划分标准对于模型的表现具有很大的影响。
计算科学概论-平时作业
07-23
计算科学概论-平时作业
Hadoop集群安装配置与详解
1.1 Hadoop简介 Hadoop的设计目标是处理和存储海量数据，其灵感来源于Google的论文。HDFS是Hadoop的核心部分，它是一个分布式文件系统，能存储海量数据并确保高可用性。MapReduce则是一种编程模型，用于处理和生成大...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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