Hadoop（一）基础概念

hadoop是一个大数据分布式存储和计算平台。

hadoop1包括hdfs和mapreduce两部分核心

hadoop2包括hdfs，yarn，mapreduce三部分核心，其中

1. hdfs，hadoop分布式文件系统，可扩展，容错，高性能分布式文件系统，异步复制，一次写入多次读取，负责数据存储。包括namenode，datanode等部分。
2. yarn，资源调度，管理调度任务，支持其他计算框架，如spark。任何yarn应用程序都可以在Hadoop集群上运行。
3. mapreduce，分布式计算组件，包含map（映射）和reduce（规约）过程，负责在hdfs上计算。在hadoop2中作为yarn的应用程序。

hdfs

hdfs基本原理

相对于集中存储，分布式存储的优势：

集中存储

分布式存储

hdfs hadoop分布式文件系统基本原理是将大数据文件分块存储，提高文件的处理效率。

hdfs架构，如下图。

namenode，管理、存储文件元数据信息，元数据分两份，放在内存中一份，通过fsimage和edits文件将数据持久化到磁盘一份；data节点的日常维护。

• 管理datanode，管理文件系统，包括目录树，文件目录元数据（文件名，文件块，文件大小），文件数据块列表。接受用户请求。
• namenode把元数据信息加载到内存中，为了快速查询，同时也要持久化到磁盘中，来保证突发宕机的情况下数据不会丢失。
• namenode不存储文件数据，只存储文件元数据，datanode负责存储块数据。

fsimage，edits

• fsimage，记录元数据信息的文件
• edits，记录元数据信息改动的文件，只要元数据改变，edits会增加相应的记录
• fsimage和edits文件定期会合并，默认是3600s，fsimage根据edits中的改动记录进行元数据的更新。

元数据如果丢失的话，hdfs就不能正常工作了。hdfs namenode -format命令的作用是创建fsimage和edits的初始文件。

secondarynamenode，将fsimage和edits文件定期合并，将合并之后的fsimage和edits传给namenode，相当于namenode的辅助节点。

namenode创建fsimage和edits文件，并且做一次fsimage和edits的合并，应为上次停机的时候可能还没来得及合并，但是以后的合并工作都交给secondarynamenode去做。

以上是hadoop1.0时代机制，这种机制有单点故障问题，因为不是热备，所以当namenode挂了的时候，元数据还是可能会丢失。

datanode，用户存储文件块，为了datanode宕机造成文件快丢失，需要对文件块进行replication，一个文件快有三个副本。

rack，机架

client，可以通过API或者指令操作hdfs的入口，都可以看作客户端。

blocksize：数据块大小，hadoop1.0：64M，hadoop2.0：128M

块的大小问题，从大数据处理的角度看，块越大越好，所以从技术发展的角度，以后的块会越来越大，因为块越大，会减少磁盘寻址次数，减少寻址实践。但是块大的话，不适合存储小文件。

hadoop2为HDFS引入了Federation和HA

Federation，可以在多个NameNode主机间共享hdfs元数据，有助于hdfs扩展并提高数据隔离，允许不同应用程序或团队运行自己的NameNode，而不用担心影响同一集群上的其他NameNode。

HA，hadoop1中单点故障问题的解决方案，其中NameNode故障将导致集群中断，HDFS高可用性提供故障转移机制，备用节点从故障的主NameNode节点接管工作，来继续Hadoop集群的工作。

Yarn

Yarn是Hadoop分布式资源调度程序。YARN是Hadoop 2.0版本添加的功能，旨在应对Hadoop 1架构带来的如下问题：

• 大于4,000个节点的部署遇到可伸缩性问题，添加其他节点并未产生预期的线性可伸缩性改进。

• 仅支持MapReduce工作负载，这意味着不适合运行执行模型，例如通常需要迭代计算的机器学习算法。

在之后的Hadoop版本中，这些问题通过从MapReduce提取调度函数并将其重新编写为通用应用程序调度程序（称为YARN）来解决。通过此更改，Hadoop集群不再局限于运行MapReduce工作负载，YARN允许在Hadoop本地支持一组新的工作负载，并允许其他处理模型（如图处理和流处理）与MapReduce共存。

MapReduce

MapReduce是一个批量分布式计算框架。MapReduce允许并行处理大量原始数据，例如将Web日志与来自OLTP数据库的关系数据相结合，以模拟用户与网站的交互方式。使用传统串行编程技术可能需要数天或更长时间来完成这类工作，使用Hadoop集群上的MapReduce几分钟内便可完成。MapReduce模型通过抽象出使用分布式系统所涉及的复杂性（例如计算并行化、工作分配以及不可靠的硬件和软件）来简化并行处理过程，让开发人员更专注于业务的开发，而不是陷入分布式业务的复杂性中。

(完)（^_^）