《大数据开发》Hadoop-HDFS

快速入门
官方文档

Hadoop

Hadoop 是一个开源的, 可靠的(reliable), 可扩展的(scalable)分布式计算框架，允许使用简单的编程模型跨计算机集群分布式处理大型数据集（python java …）。

可扩展: 从单个服务器可以横向扩张到数千台计算机，每台计算机都提供本地计算和存储。

可靠的: 不依靠硬件来提供高可用性(high-availability)，而是在应用层检测和处理故障，从而在计算机集群之上提供高可用服务。

HDFS

Hadoop Distributed File System (HDFs):分布式文件系统，用来存储海量数据。

重要的5个守护进程

不同网络服务器运行一组守护进程，每个进程有着特殊的角色。

1. NameNode(名字节点)
2. DataNode(数据节点)
3. Secondary NameNode(次名字节点)
4. JobTracker(作业跟踪节点)
5. TaskTracker（任务跟踪节点）

NameNode(名字节点)

Hadoop 分布式计算，分布式存储都是采用了主从结构。分布式存储被称作HDFS。 NameNode位于HDFS主端，指导从端的DataNode执行底层的I/O 任务。
跟踪文件如何被分割成文件块，而这些块又被哪些几点存储，以及分布式文件系统的整体运行状态是否正常。

DataNode(数据节点)
每个集群的从节点都会驻留一个DataNode守护进程，来执行分布式文件系统的繁重工作，将HDFS数据块读取或者写入到本地文件系统的实际文件中。

由NameNode告知客户端每个数据块驻留在哪个DataNode，客户端直接与DataNode守护进程进行通信。来处理与数据块对应的本地文件，而后，DataNode 与其他DatNode进行通信，复制这些数据块以实现数据冗余。

DataNode 不断向NameNode报告，初始化时，DatNode将当前存储的数据块信息告知NameNode,初始映射完成后，DataNode仍不断更新NameNode，为之提供本地修改相关信息，同时接收指令创建、移动或者删除本地磁盘上的数据块。

1. 管理各个datanode
2. 管理文件信息，文件名、文件多大、文件被切块、存贮位置信息，即管理元数据信息。
3. 基于RPC心跳机制控制集群中各个节点（datanode）的状态。
4. namenode存在单点故障问题，可以在起一个SecondaryNameNode用来保证元数据信息安全。
5. datanode挂掉后，数据丢失，因此需要控制datanode 的备份，默认3份，本机一份。

Secondary NameNode(次名字节点)

SNN，一个用于检测HDFS集群状态的辅助守护进程，像NameNode一样，每个集群有一个SNN，它通常也独占一台服务器。
SNN与NanmeNode 不同在于它不接收或者记录HDFS的任何实时变化，相反，它与NameNode进行通信，根据集群所配置的时间间隔获取HDFS元数据的快照。
SNN快照有助于减少停机时间并降低数据丢失的风险，
NameNode失效处理需要人工的干预，即手动地重新配置集群，将SNN用作主要的NameNode.

JobTracker(作业跟踪节点)
应用程序和Hadoop之间的纽带，一旦代码提交到集群上，JobTracker将会确定执行计划，包括处理哪些文件，为不同任务分配节点以及监控所有任务的执行。如果任务执行失败，JobTracker将会自动重启任务，但所分配的节点可能会不同，同时受到预定义的重试次数限制。
每个Hadoop集群只有一个JobTracker守护进程，它通常运行在服务器集群的主节点上。

TaskTracker（任务跟踪节点）
管理各个任务在每个从节点上的执行情况。
每个TaskTacker负责执行由JobTacker分配的单项任务。
一个职责是持续不断地与JobTracker进行通信，如果规定时间内，JobTracker没有收到来自的心跳，假定JobTracker已经崩溃了，进行重新提交相应的任务到集群中的其他节点中。

1. 架构图

HDFS 读流程

HDFS 写流程

优点：

1.支持文件存储，TB、PB级别的数据，如每日的用户行为log。
2.高容错性
3.横向扩展的花费呈线性
4.快速响应硬件故障

缺点：

1.类似数据库一样的低延迟访问数据，响应时间毫秒级别。
2.不适合大量存储小文件。
3.不适合多次修改数据，写入文件。