Hadoop简介
一、Hadoop是什么
Hadoop 是一个分布式系统,由Apache基金会用java开发。在这个数据爆炸的年代,单设备难以存储海量的数据,如是有了Hadoop。Hadoop可以使用廉价的机器来存储我们的数据,大大减少了成本。
二、Hadoop的核心
1.HDFS: Hadoop Distributed File System 分布式文件系统
2.YARN: Yet Another Resource Negotiator 分布式资源调度
3.Mapreduce:分布式计算框架
三、Hadoop架构
1、HDFS(分布式文件系统)
HDFS是一个高度容错性的分布式文件系统,可以被广泛的部署于廉价的PC上。
HDFS采用master/slave架构。一个HDFS集群是由一个Namenode和一定数目的Datanodes组成。Namenode是一个中心服务器,负责管理文件系统的名字空间(namespace)以及客户端对文件的访问。集群中的Datanode一般是一个节点一个,负责管理它所在节点上的存储。HDFS暴露了文件系统的名字空间,用户能够以文件的形式在上面存储数据。从内部看,一个文件其实被分成一个或多个数据块,这些块存储在一组Datanode上。Namenode执行文件系统的名字空间操作,比如打开、关闭、重命名文件或目录。它也负责确定数据块到具体Datanode节点的映射。Datanode负责处理文件系统客户端的读写请求。在Namenode的统一调度下进行数据块的创建、删除和复制。
Hadoop集群中的机器分别运行一个DataNode实例,在HDFS中,NameNode节点被称为名称节点,DataNode节点被称为数据节点。DataNode节点通过心跳机制(TCP)与NameNode节点进行定时的通信。
1.1、NameNode
NameNode可以看作是分布式文件系统中的管理者,存储文件系统的meta-data,主要负责管理文件系统的命名空间,集群配置信息,存储块的复制。他维护着整个文件系统的文件目录树,文件/目录的元信息和每个文件对应的数据块列表,接收用户的操作请求等。
1.2、DataNode
DataNode是文件存储的基本单元。它存储文件块在本地文件系统中,保存了文件块的meta-data,同时周期性的发送所有存在的文件块的报告给NameNode。
DataNode中文件块(block):最基本的存储单位。对于文件内容而言,一个文件的长度大小是size,那么从文件的0偏移开始,按照固定的大小,顺序对文件进行划分并编号,划分好的每一个块称一个Block,HDFS默认Block大小是128MB。这里要注意小文件数量太多会影响HDFS查询效率,可以定期做小文件合并。
2、Mapreduce(分布式计算框架)
MapReduce是一种编程模型,用于大规模数据集(大于1TB)的并行运算。概念"Map(映射)“和"Reduce(化简)”,是它们的主要思想,采用分而治之思想,先把任务分发到集群多个节点上,并行计算,然后再把计算结果合并,从而得到最终计算结果。多节点计算,所涉及的任务调度、负载均衡、容错处理等,都由MapReduce框架完成,不需要编程人员关心这些内容。
3、YARN(分布式资源调度)
YARN是Hadoop2.0新引入的资源管理系统,直接从MRv1演化而来,分别由ResourceManager和ApplicationMaster进程实现
ResourceManager:负责整个集群的资源管理和调度
ApplicationMaster:负责应用程序相关的事务,比如任务调度、任务监控、容错等
YARN的引入,使得多个计算框架可运行在一个集群中
1、每个应用程序对应一个ApplicationMater
2、目前多个计算框架可以运行在YARN上,比如,MapReduce、Spark、Storm等
ResourceManager负责资源管理,只有一个,ApplicationMaster有多个,每个datanode上都会有一个
MapReduce on YARN
1、将MapReduce作业直接运行在YARN上,而不是由JobTracker和TaskTracker构建的MRv1系统中
2、基本功能模块
YARN:负责资源管理和调度
MRAppMaster:负责任务切分、任务调度、任务监控和容错等
MapTask/ReduceTask:任务驱动引擎、与MRv1一致
3、每个MapReduce作业对应一个MRAppMaster
MRappMater任务调度
YARN将资源分配给MRAppMaster
MRAppMaster进一步将资源分配给内部的任务
4、MRAppMaster容错
失败后,由YARN重新启动
任务失败后,MRAppMaster重新申请资源
四、数据读取与写入
如上Hadoop架构图
数据写入:
- Client向MapReduce发起调到请求
- MapReduce提交到YARN,YARN为其分配资源
- MapReduce向NameNode发起文件写入的请求
- NameNode根据文件大小和文件块配置情况,返回给MapReduce它所管理部分DataNode的信息
- MapReduce将文件划分为多个文件块,根据DataNode的地址信息,按顺序写入到每一个DataNode块中
数据读取:
- Client向MapReduce发起调到请求
- MapReduce提交到YARN,YARN为其分配资源
- MapReduce向NameNode发起文件读取的请求
- NameNode返回文件存储的DataNode的信息
- MapReduce读取文件信息
五、Hadoop特点
Hadoop优点:
1、成本低,可以使用廉价机器存储数据
2、扩容能力强
3、高效率,通过MapReduce并行计算,能快速处理数据
4、可靠性,hadoop能自动地维护数据的多份副本,并且在任务失败后能自动地重新部署计算任务。
Hadoop缺点:
1、 Hadoop该框架设计的初衷是针对海量数据的运算处理的问题。因此对于一些数据量很小的处理没有任何优势可言,甚至还不如单机串行的效果,性能也完全体现不出来。
2、高时延,只适合离线处理数据。
3、Hadoop不能高效存储大量小文件
4、Hadoop系统设计的前提是一次写入多次读取的情况,因此无法修改某条详细的数据,只能overwrite全部的数据,或者是在文件末尾追加数据。
六、总结
谈谈个人对Hadoop理解。Hadoop是一个非常优秀分布式系统,其分布式存储系统+分布式计算框架(并计算做得非常好)+分布式资源调度管理,三个核心组件的完美组合,缺一不可。根据Hadoop的特点,它适合存储业务系统海量数据(如:系统日志、用户行为、埋点等数据),对这些数据做离线数据统计分析,不适合做实时的业务需求。
七、附录
hadoop常用命令
1.ls
hadoop fs -ls / 列出hdfs文件系统根目录下的目录和文件
hadoop fs -ls -R / 列出hdfs文件系统所有的目录和文件
2.put
hadoop fs -put < local file > < hdfs file > hdfs file的父目录一定要存在,否则命令不会执行
hadoop fs -put < local file or dir >…< hdfs dir >
hdfs dir 一定要存在,否则命令不会执行
hadoop fs -put - < hdsf file>
从键盘读取输入到hdfs file中,按Ctrl+D结束输入,hdfs file不能存在,否则命令不会执行
2.1.moveFromLocal
hadoop fs -moveFromLocal < local src > … < hdfs dst >
与put相类似,命令执行后源文件 local src 被删除,也可以从从键盘读取输入到hdfs file中
2.2.copyFromLocal
hadoop fs -copyFromLocal < local src > … < hdfs dst >
与put相类似,也可以从从键盘读取输入到hdfs file中
3.get
hadoop fs -get < hdfs file > < local file or dir>
local file不能和 hdfs file名字不能相同,否则会提示文件已存在,没有重名的文件会复制到本地
hadoop fs -get < hdfs file or dir > … < local dir >
拷贝多个文件或目录到本地时,本地要为文件夹路径
注意:如果用户不是root, local 路径要为用户文件夹下的路径,否则会出现权限问题,
3.1.moveToLocal
当前版本中还未实现此命令
3.2.copyToLocal
hadoop fs -copyToLocal < local src > … < hdfs dst >
与get相类似
4.rm
hadoop fs -rm < hdfs file > …
hadoop fs -rm -r < hdfs dir>…
每次可以删除多个文件或目录
5.mkdir
hadoop fs -mkdir < hdfs path>
只能一级一级的建目录,父目录不存在的话使用这个命令会报错
hadoop fs -mkdir -p < hdfs path>
所创建的目录如果父目录不存在就创建该父目录
6.getmerge
hadoop fs -getmerge < hdfs dir > < local file >
将hdfs指定目录下所有文件排序后合并到local指定的文件中,文件不存在时会自动创建,文件存在时会覆盖里面的内容
hadoop fs -getmerge -nl < hdfs dir > < local file >
加上nl后,合并到local file中的hdfs文件之间会空出一行
7.cp
hadoop fs -cp < hdfs file > < hdfs file >
目标文件不能存在,否则命令不能执行,相当于给文件重命名并保存,源文件还存在
hadoop fs -cp < hdfs file or dir >… < hdfs dir >
目标文件夹要存在,否则命令不能执行
8.mv
hadoop fs -mv < hdfs file > < hdfs file >
目标文件不能存在,否则命令不能执行,相当于给文件重命名并保存,源文件不存在
hadoop fs -mv < hdfs file or dir >… < hdfs dir >
源路径有多个时,目标路径必须为目录,且必须存在。
注意:跨文件系统的移动(local到hdfs或者反过来)都是不允许的
9.count
hadoop fs -count < hdfs path >
统计hdfs对应路径下的目录个数,文件个数,文件总计大小
显示为目录个数,文件个数,文件总计大小,输入路径
10.du
hadoop fs -du < hdsf path>
显示hdfs对应路径下每个文件夹和文件的大小
hadoop fs -du -s < hdsf path>
显示hdfs对应路径下所有文件和的大小
hadoop fs -du - h < hdsf path>
显示hdfs对应路径下每个文件夹和文件的大小,文件的大小用方便阅读的形式表示,例如用64M代替67108864
11.text
hadoop fs -text < hdsf file>
将文本文件或某些格式的非文本文件通过文本格式输出
12.setrep
hadoop fs -setrep -R 3 < hdfs path >
改变一个文件在hdfs中的副本个数,上述命令中数字3为所设置的副本个数,-R选项可以对一个人目录下的所有目录+文件递归执行改变副本个数的操作
13.stat
hdoop fs -stat [format] < hdfs path >
返回对应路径的状态信息
[format]可选参数有:%b(文件大小),%o(Block大小),%n(文件名),%r(副本个数),%y(最后一次修改日期和时间)
可以这样书写hadoop fs -stat %b%o%n < hdfs path >,不过不建议,这样每个字符输出的结果不是太容易分清楚
14.tail
hadoop fs -tail < hdfs file >
在标准输出中显示文件末尾的1KB数据
15.archive
hadoop archive -archiveName name.har -p < hdfs parent dir > < src >* < hdfs dst >
命令中参数name:压缩文件名,自己任意取;< hdfs parent dir > :压缩文件所在的父目录;< src >:要压缩的文件名;< hdfs dst >:压缩文件存放路径
*示例:hadoop archive -archiveName hadoop.har -p /user 1.txt 2.txt /des
示例中将hdfs中/user目录下的文件1.txt,2.txt压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下,如果1.txt,2.txt不写就是将/user目录下所有的目录和文件压缩成一个名叫hadoop.har的文件存放在hdfs中/des目录下
显示har的内容可以用如下命令:
hadoop fs -ls /des/hadoop.jar
显示har压缩的是那些文件可以用如下命令
hadoop fs -ls -R har:///des/hadoop.har
注意:har文件不能进行二次压缩。如果想给.har加文件,只能找到原来的文件,重新创建一个。har文件中原来文件的数据并没有变化,har文件真正的作用是减少NameNode和DataNode过多的空间浪费。
16.balancer
hdfs balancer
如果管理员发现某些DataNode保存数据过多,某些DataNode保存数据相对较少,可以使用上述命令手动启动内部的均衡过程
17.dfsadmin
hdfs dfsadmin -help
管理员可以通过dfsadmin管理HDFS,用法可以通过上述命令查看
hdfs dfsadmin -report
显示文件系统的基本数据
hdfs dfsadmin -safemode < enter | leave | get | wait >
enter:进入安全模式;leave:离开安全模式;get:获知是否开启安全模式;
wait:等待离开安全模式
18.distcp
用来在两个HDFS之间拷贝数据
Hadoop命令其实与linux文件操作命令类似,前面多了hadoop fs
命令参考https://blog.csdn.net/helloxiaozhe/article/details/81235398
文章内容参考
https://www.jianshu.com/p/9cf41d655869
https://blog.csdn.net/zl834205311/article/details/80334346
Hadoop更多知识可以参考中文文档:
http://hadoop.apache.org/docs/r1.0.4/cn/