Hadoop——基本概述，初步认识

参考资料：

 

hadoop：hdfs架构及原理

深入理解HDFS：Hadoop分布式文件系统

Hadoop基本组成

个版本hadoop组成

组件	1.X	2.X	3.X
Common（辅助工具）	√	√	√
HDFS（数据存储、分布式文件系统）	√	√	√
Yarn（资源调度）		√	√
MapReduce（数据计算处理）	√	√	√

可以看到2.X与3.X版本的Hadoop从组成上没有太大区别。1.X与其他版本不同的是MapReuce包含了数据计算处理与资源调度。在2.X与3.X中，资源调度与数据计算进行了解耦，作为单独组件Yarn存在。

HDFS

Hadoop Distributed File System，简称HDFS，是一个分布式的文件系统。顾名思义，HDFS的文件分布在集群机器上，同时提供副本进行容错及可靠性保证。例如客户端写入读取文件的直接操作都是分布在集群各个机器上。

HDFS满足master-worker（主从）模式，由NameNode 与 DataNode共同组成。

NameNode

• NameNode（负责管理分布式文件系统的命名空间（Namespace））
  • FsImage：维护文件系统树及所有文件、目录的元数据
  • EditLog：记录了所有针对文件的创建、删除、重命名等操作

最通俗的理解就是，Name Node是用来告诉别人：数据存在哪个节点上，存了一些什么数据。

注意：为啥会拆成两个呢? 主要是因为fsimage这个文件会很大的，多了之后就不好操作了，就拆分成两个。把后续增量的修改放到EditLog中, 一个FsImage和一个Editlog 进行合并会得到一个新的FsImage。

由于NameNode的负责了重要的文件系统元数据，作为整个集群的引导节点，所以其高可用非常重要，即当NameNode down掉之后，必须有后备方案来接替NameNode的任务。HDFS中充当该替补角色的就是Secondary NameNode。

Secondary NameNode

SNN每隔一段时间会对NameNode进行一次元数据的备份，但其并非完全作为NameNode的热备。

• 辅助NameNode，分担其工作量，比如定期合并Fsimage和Edits，并推送给NameNode
• 在紧急情况下，可辅助恢复NameNode

DataNode

DataNode就是实际来存储数据的，并且执行NameNode下发的数据操作指令。除此之外还会进行快数据的校验。

YARN

Yet Another Resource Negotiator简称YARN，另一种资源协调器，是Hadoop的资源管理器。其包含两大部分：Resource Manager和NodeManager。

Resource Manager

整个集群资源的管理者，相当于对所有Node Manager的统一代理。

 Node Manager

单个节点的资源管理者。

Container

任务运行容器，相当于一台独立的服务器，有“独立”的资源（内存、CPU、磁盘、网络），这些资源实质上是通过虚拟化技术来虚拟出来的。（默认情况下，一个Container可以分配1G-8G内存，至少一个CPU）

这样做的好处在于，当一个任务运行完成时，运行任务期间占用的资源，在任务运行结束之后可以马上释放。

Application Master

单个任务的管理器。

1. 当APP Master需要执行任务的时候，会向Resource Manager申请资源
2. 然后在某个Container上使用申请到的资源进行任务的执行。
3. 如果当前Node Manager的资源不够运行该任务的时候，则可以跨节点进行资源调度、任务的运行

 MapReduce

MapReduce是一个分布式运算程序的框架，负责数据的计算处理。是用户开发基于Hadoop的数据分析应用的核心框架。

MapReduce讲计算分为两个阶段

1. Map：并行处理输入数据
2. Reduce：对Map结果进行汇总

Map阶段

首先将所有的输入目录里的文件读取到内存当中，分配好对应的MapTask，并按照Map阶段的程序逻辑执行这些任务。每个任务之间是相互独立的。当这些任务执行完毕后，再执行Reduce阶

每个文件的读取次数取决于文件的大小和块（blocker）大小的设置。每个块，会执行一次Map（默认，详细查看 8、MapTask并行机制），而不是每个文件执行一次Map。

Reduce阶段

将Map阶段的输出结果，作为Reduce阶段的输入参数。分配好对应的ReduceTask，并一一执行它们。最终将结果输出到MapReduce程序指定的输出目录当中。

一个MapReduce job只能有一个Map阶段和一个Reduce阶段，如果程序需要多个Map阶段和Reduce阶段，则只能编写多个MapReduce程序，并将它们串行运行。

MapReduce进程

一个完整的MapReduce程序在分布式运行时会有3类实例进程：

1. MRAppMaster，负责整个程序运行过程中的资源调度和状态的协调
2. MapTask，负责Map阶段的数据处理流程
3. ReduceTask，负责Reduce阶段的数据处理流程 

暂时写这么多，之后有新的理解再补充...

参考文章：

https://blog.csdn.net/adsl624153/article/details/100059246