hadoop分布式计算组件

什么是计算、分布式计算？

·计算：对数据进行处理，使用统计分析等手段得到需要的结果
·分布式计算：多台服务器协同工作，共同完成一个计算任务

分布式计算常见的2种工作模式

1. 分散->汇总(MapReduce就是这种模式)
2. 中心调度->步骤执行（大数据体系的Spark、Flink等是这种模式）

hadoop分布式计算框架-MapReduce

MapReduce是“分散->汇总”模式的分布式计算框架，可供开发人员开发相关程序进行分布式数据计算。
MapReduce提供了2个编程接口：
·Map
·Reduce
其中
·Map功能接口提供了“分散”的功能，由服务器分布式对数据进行处理
·Reduce.功能接口提供了“汇总（聚合）”的功能，将分布式的处理结果汇总统计
用户如需使用MapReduce框架完成自定义需求的程序开发
只需要使用Java、Python等编程语言，实现Map Reduce.功能接口即可。
目前map reduce框架代码开发已经逐渐淘汰，但由于hive分布式sql框架底层是map reduce实现的，所以map reduce仍活跃在一线。
MapReduce是基于YARN运行的，99%场景下map reduce都是集成在yarn集群中运行的

YARN的资源调度

YARN管控整个集群的资源进行调度，那么应用程序在运行时，就是在YARN的监管（管理）下去运行的。
这就像：全部资源都是公司(YARN)的，由公司分配给个人（具体的程序）去使用。
比如，一个具体的MapReduce程序。
我们知道，MapReduce程序会将任务分解为若干个Map任务和Reduce任务。
假设，有一个MapReduce程序，分解了3个Map任务，和1个Reduce任务，每个map任务需要2GB运行内存，每个reduce任务需要4GB运行内存，那么如何在YARN的监管（管理）下运行呢？

map程序和reduce程序会告诉yarn所需的资源情况，向yarn申请资源，yarn则会根据资源情况，分配具体的任务运行

YARN的核心架构

YARN,主从架构，有2个角色
·主(Master)角色：ResourceManager
整个集群的资源调度者，负责协调调度各个程序所需的资源。
·从(Slave)角色：NodeManager
单个服务器的资源调度者，负责调度单个服务器上的资源提供给应用程序使用

如上图，某个程序告知yarn我需要的资源情况，yarn的resource manager查看资源情况，并通知到node manager，node manager会通过容器技术，创建容器来占用对应的资源，然后再分配具体的程序来运行。yarn能抢占资源及精准分配资源是通过容器技术实现的。

YARN辅助角色

YARN的架构中除了核心角色，即：
·ResourceManager:集群资源总管家
·NodeManager:单机资源管家
还可以搭配2个辅助角色使得YARN集群运行更加稳定
。代理服务器(ProxyServer):Web Application Proxy Web应用程序代理
。历史服务器(obHistoryServer):应用程序历史信息记录服务

Web应用代理(Web Application Proxy)

代理服务器，即W2b应用代理是YARN的一部分。默认情况下，它将作为资源管理器(RM)的一部分运行，但是可以配置为在独立模式下运行。使用代理的原
因是为了减少通过YARN进行基于网络的攻击的可能性。
这是因为，YARN在运行时会提供一个WEB UI站点（同HDFS的WEB UIS站点一样）可供用户在浏览器内查看YARN的运行信息
对外提供WEB站点会有安全性问题，而代理服务器的功能就是最大限度保障对WEB UIE的访问是安全的。比如：

• 警告用户正在访问一个不受信任的站点
• 剥离用户访问的Cookie等

代理服务器默认集成在了ResourceManager中
也可以将其分离出来单独启动，如果要分离代理服务器

1. 在yarn-site.xml中配置yarn.web-proxy.address参数即可（部署环节会使用到）
   

2.并通过命令启动它即可$HADOOP_YARN_HOME/sbin/yarn-daemon.sh start proxyserver

JobHistoryServer历史服务器

历史服务器的功能很简单：记录历史运行的程序的信息以及产生的日志并提供WEBU站点供用户使用浏览器查看。它可以收集各个服务器的日志数据并统一汇总到hdfs上，方便用户查看

开启历史服务器需要配置：

1. 开启日志聚合，允许从容器中抓取日志到hdfs中集中存储
   

2. 配置历史服务器端口和主机