hadoop概述:
什么是hadoop: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。
服务器(节点) 可以理解为我们的一台笔记本/台式机 在这里可以认为是我们的一台虚拟机 后面学习中,我们会把一台服务器称为一个节点
机架 负责存放服务器的架子
hadoop组件介绍:
hadoop是一个统称,目前hadoop主要包含三大组件
1、hdfs:是一个分布式存储框架,适合海量数据存储
2、mapreduce:是一个分布式计算框架,适合海量数据计算
3、yarn:是一个资源调度平台,负责给计算框架分配计算资源
hadoop的1.0和2.0的对比:
1、 Hadoop1.0即第一代Hadoop,由分布式存储系统HDFS和分布式计算框架MapReduce组成,其中HDFS由一个NameNode和多个DateNode组成,MapReduce由一个JobTracker和多个TaskTracker组成。
2、Hadoop2.0即第二代Hadoop为克服Hadoop1.0中的不足:
针对Hadoop1.0单NameNode制约HDFS的扩展性问题,提出HDFS Federation(联盟),它让多个NameNode分管不同的目录进而实现访问隔离和横向扩展,同时彻底解决了NameNode单点故障问题;
3、针对Hadoop1.0中的MapReduce在扩展性和多框架支持等方面的不足,它将JobTracker中的资源管理和作业控制分开,分别由ResourceManager(负责所有应用程序的资源分配)和ApplicationMaster(负责管理一个应用程序)实现,即引入了资源管理框架Yarn。同时Yarn作为Hadoop2.0中的资源管理系统,它是一个通用的资源管理模块,可为各类应用程序进行资源管理和调度,不仅限于MapReduce一种框架,也可以为其他框架使用,如Tez、Spark、Storm等。
分布式存储:
从三台服务器拿取数据分别读取写入
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。 负责命名空间职责的节点称为主节点(master node) 负责存储真实数据职责的节点称为从节点(slave node)。
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)。
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。 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。
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)。
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。
HDFS的介绍:
负责数据的分布式存储
主从结构
主节点,最多可以有2个:namenode
从节点,有多个:datanode
namenode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负责 存储数据
mapreduce架构分析
依赖磁盘io的批处理计算模型
主从结构
主节点,只有一个: MRAppMaster
从节点,就是具体的task
MRAppMaster负责 接收客户端提交的计算任务
把计算任务分给NodeManager的Container中执行,即任务调度
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)
Container由ApplicationMaster向ResourceManager申请的,由ResouceManager中的资源调度器异步分配给ApplicationMaster
Container的运行是由ApplicationMaster向资源所在的NodeManager发起的
监控Container中Task的执行情况
Task负责: 执行任务
yarn架构分析
资源的调度和管理平台
主从结构
主节点,最多可以有2个:ResourceManager
从节点,有很多个: NodeManager
ResourceManager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负责
单节点资源的管理
hadoop特点
扩容能力(Scalable):能可靠(reliably)地存储和处理PB级别的数据。如果数据量更大,存储不下了,再增加节点就可以了。
成本低(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(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.
hadoop集群启动脚本介绍(以下所说的命令都在hadoop的bin目录下面)
第一种:
全部启动集群所有进程 启动:sbin/start-all.sh
停止:sbin/stop-all.sh
第二种:
单独启动hdfs【web端口50070】和yarn【web端口8088】的相关进程
启动:sbin/start-hdfs.sh sbin/start-yarn.sh
停止:sbin/stop-hdfs.sh sbin/stop-yarn.sh
每次重新启动集群的时候使用
第三种:
单独启动某一个进程
启动hdfs:sbin/hadoop-daemon.sh start (namenode | datanode)
停止hdfs:sbin/hadoop-daemon.sh stop (namenode | datanode)
启动yarn:sbin/yarn-daemon.sh start (resourcemanager | nodemanager)
停止yarn:sbin/yarn-daemon.sh stop(resourcemanager | nodemanager)
用于当某个进程启动失败或者异常down掉的时候,重启进程
hdfs的shell 一些常用命令
调用文件系统(FS)Shell命令应使用 bin/hdfs dfs -xxx 的形式。
如:
bin/hdfs dfs-ls / 路径为空,表示显示/user/<currentUser>
-h选项,表示文件大小显示时,使用合适的单位
-R选项,表示递归显示路径的所有内容
-put localSrc hdfsdst 从本地上传文件(夹)到hdfs。如果hdfs已经存在同名的文件(夹),就报错。
-f选项,表示覆盖hdfs的同名文件(夹)
-p选项,表示上传时保留文件原来的ownerid、groupid、accesstime、modification time属性
-get hdfssrc localdst 从hdfs下载文件到本地
-mkdir hdfsdst 创建文件夹
-p选项,表示递归创建文件夹
-cp hdfssrc hdfsdst 在hdfs中复制
-help cmd 显示hdfs的命令的帮助