Hadoop

最新推荐文章于 2024-05-22 01:09:26 发布

As a layman

最新推荐文章于 2024-05-22 01:09:26 发布

阅读量8.4w

点赞数 19

分类专栏：大数据文章标签： hadoop 大数据

本文链接：https://blog.csdn.net/weixin_41634974/article/details/100904671

版权

大数据专栏收录该内容

16 篇文章 5 订阅

订阅专栏

Hadoop简介

Hadoop 的思想之源：Google 第一遇到大数据计算问题的公司
Openstack :NASA

面对的数据和计算难题
- 大量的网页怎么存储
- 搜索算法
带给我们的关键技术和思想（Google三大理论）
- GFS 文件存储
- Map-Reduce 计算
- Bigtable

创始人：Doug cutting

Hadoop简介：http://hadoop.apache.org
分布式存储系统HDFS （Hadoop Distributed File System ）POSIX
 	分布式存储系统
 	提供了 高可靠性、高扩展性和高吞吐率的数据存储服务
分布式计算框架MapReduce
	分布式计算框架（计算向数据移动）
	具有 易于编程、高容错性和高扩展性等优点。
分布式资源管理框架YARN（Yet Another Resource Management）
	负责集群资源的管理和调度
	
版本：1.x，2.x，3.x

Hadoop 分布式文件系统HDFS

存储模型：字节
文件线性切割成块（Block）：偏移量 offset (byte, 中文）
block分散存储存储在集群节点中
单一文件Block大小一致，文件与文件可以不一致
Block可以设置副本数，副本无序分散在不同节点中（默认是3个）
副本数不要超过节点数量
文件上传可以设置Block大小和副本数（资源不够开辟的进程）
已上传的文件Block副本数可以调整，大小不变
2.x 128MB Block 默认Block为128M,可以人为设置，最小1M,
只支持一次写入多次读取，同一时刻只有一个写入者
可以append追加数据

架构模型主从模型

文件元数据MetaData，文件数据
元数据：metedata size offset
主节点负责管理元数据
从节点负责处理具体的文件数据，即块文件
NameNode 主节点保存文件元数据：单节点posix
DataNode 从节点保存文件Block数，多数据
DataNode 与NameNode1报错心跳， DataNode向NameNode提交Block列表
HdfsClient与NameNode交互元数据信息
HdfsClient与DataNode交互文件Block数据（cs架构）
DataNode利用服务器本地文件系统存储数据块

Hadoop架构
在这里插入图片描述

内存存储持久化

NameNode（NN）

基于内存存储：不会和磁盘发生交换（双向）
- 值存在内存中
- 持久化单向 => 写入磁盘

NameNode主要功能：
- 接受客户端的读写服务
- 收集DataNode汇报的Block列表信息

NameNode保存metadata信息包括
- 文件owership和 permissions
- 文件大小，时间
- （Block列表：Block偏移量），位置信息（持久化不存）
- Block每个副本位置（有DataNode上报）

NameNode持久化的两种方式 fsimage 和 edits

fsimage 写入磁盘时慢，从磁盘恢复到内存中快
- NameNode的metadata信息在启动后会加载到内存中
- 磁盘镜像快照内存—》序列化 — 》二进制文件
- metadata 存储到磁盘文件名 “fsimage”（时点备份）
- 从二进制文件反序列化成对象恢复到内存中
- Block的位置信息不回保存到fsimage

edits 写入磁盘时快，从磁盘恢复时慢
- edits记录对metadata的操作日志 .存储所有操作记录
- 按照操作记录重新执行一遍从而变成内存中数据

所以二者需要结合使用
在系统第一次搭建完成后此时还没有跑起来时会格式化，就会产生第一 fsimage 文件，空的fsimage文件，启动hadoop时读取空的fsimage文件时会产生一个空的edits_log文件，此时edits和fsimage会进行合并生成一个新的fsimage文件，以后不管重启多少次fsimage文件将不会再改变，只是对edits文件增长，但是不能任由edits文件增长，此时需要在达到一定条件后再对edits和fsimage文件做合并，生成新的fsimage，充分发挥两者优势

此时需要SecondaryNameNode(SNN) Hadoop1.0
它不是NN的备份（但可以做备份），它的主要工作就是帮助NN合并editslog,减少NN启动时间
SNN执行合并时机：
- 根据配置文件设置的时间间隔fs.checkpoint.period 默认是3600s
- 根据配置文件设置editslog的大小，fs.checkpoint.size 规定edits文件的最大值，默认是64MB

在这里插入图片描述

DataNode(DN)
- 本地磁盘目录存储数据（Block)，文件形式
- 同时存储Block的元数据信息文件（此处的元数据是指存储数据Block的md5值，确保文件的正确性完整性，如果不正确，则去另外的DN去寻找这个文件的备份）
- 启动DN时回想NN汇报block信息
- 通过向NN发送心跳保持与其联系（3s一次），如果NN10分钟没有收到DN的心跳，则认为其已经lost, 并copy其上的block到其他DN上，恢复到默认的副本数
为啥是10分钟？
DN数据较大，给10分钟有可能进行恢复工作，避免进行频繁的拷贝

HDFS优点

高容错性
- 数据自动保存
- 副本丢失后，自动恢复
适合批处理
- 移动计算而非数据
- 数据位置暴露给计算框架（Block偏移量）
适合大数据处理
- GB,TB,甚至PB级数据
- 百万规模以上的文件数量
- 10K+节点
可构建在廉价机器上
- 通过多副本提高可靠性
- 提供了容错和恢复机制

HDFS缺点

低延迟数据访问
- 比如毫秒级
- 低延迟与高吞吐率
小文件存取
- 占用NameNode大量内存
- 寻道时间超过读取时间
并发写入，文件随机修改
- 一个文件只能有一个写者
- 仅支持append

Block的副本放置策略

在这里插入图片描述

第一个副本：放置在上传文件的DN；如果是集群外提交，则随机挑选一台磁盘不太满，CPU不太忙的节点。
第二个副本：放置在于第一个副本不同的机架的节点上。
第三个副本：与第二个副本相同机架的其他节点。
更多副本：随机节点

HDFS写流程
在这里插入图片描述
HDFS写流程

Client：
- 切分文件Block
- 按Block线性和NN获取DN列表（副本数）
- 验证DN列表后以更小的单位流式传输数据
  - 各节点，两两通信确定可用
- Block传输结束后：
  - DN向NN汇报Block信息
  - DN向Client汇报完成
  - Client向NN汇报完成
- 获取下一个Block存放的DN列表
  。。。。。。
- 最终Client汇报完成
- NN会在写流程更新文件状态

读流程
在这里插入图片描述
HDFS读流程

Client：
- 和NN获取一部分Block副本位置列表
  线性和DN获取Block，最终合并为一个文件
  在Block副本列表中按距离择优选取
  MD5验证数据完整性

HDFS文件权限 POSIX标准（可移植操作系统接口）

与Linux文件权限类似
- r:read w:write x:execute
- 权限x对于文件忽略，对于文件夹表示是否允许访问其内容
如果linux系统用户zhangsan使用hadoop命令也创建一个文件，那么这文件在HDFS中的owner就是zhangsan
HDFS的权限目的：阻止误操作，但不绝对，HDFS相信，你告诉我你是谁，我就认为你是谁

安全模式
namenode启动的时候，首先将映像文件(fsimage)载入内存，并执行编辑日志(edits)中的各项操作。
一旦在内存中成功建立文件系统元数据的映射，则创建一个新的fsimage文件(这个操作不需要SecondaryNameNode)和一个空的编辑日志。
此刻namenode运行在安全模式。即namenode的文件系统对于客服端来说是只读的。(显示目录，显示文件内容等。写、删除、重命名都会失败，尚未获取动态信息)。
在此阶段Namenode收集各个datanode的报告，当数据块达到最小副本数以上时，会被认为是“安全”的，在一定比例（可设置）的数据块被确定为“安全”后，再过若干时间，安全模式结束
当检测到副本数不足的数据块时，该块会被复制直到达到最小副本数，系统中数据块的位置并不是由namenode维护的，而是以块列表形式存储在datanode中。

集群
角色==进程

namenode
- 数据元数据
  内存存储，不会有磁盘交换
  持久化（fsimage，edits log）
  不会持久化block的位置信息
  block：偏移量，因为block不可以调整大小，hdfs，不支持修改文件
  偏移量不会改变
datanode
- block块,md5
  磁盘
  面向文件，大小一样，不能调整
  副本数，调整，（备份，高可用，容错/可以调整很多个，为了计算向数据移动）
SN 只在hadoop1.x版本中有
NN&DN
- 心跳机制
  DN向NN汇报block信息
  安全模式
client
Client：
写
线性上传block
先和NN通信，元数据，获取第一个block的节点信息（3副本，选择机制）
和DN通信：pipeline：C和1stDN有socket，1stDN和2edDN有socket。。。。
小片传输：4K，C给1stDN，1stDN同时本机缓存，瞬间放入下游socket中
当block传输完毕：block自身的网络I/O时间，时间线重叠的艺术
DN会向NN汇报自己新增的block
C向NN汇报blockX传输完成给我下一个block节点信息
全部传输完成，NN更新元数据状态可用
读
线性读取block，不会有并发，只有一个网卡
距离：择优选取同机架，同节点
NN每次只给一部分block信息

Hadoop 分布式计算框架MR

Hadoop 体系架构

Hadoop安装

可以通过官网查看安装细节
Hadoop

操作系统环境
- 依赖软件ssh,jdk
- hadoop3.0以后需要装jdk8，其他的装jdk7就行

环境的配置

java_home

vi + /etc/profile

export JAVA_HOME=/usr/java/jdk1.7.0_67
PATH=$PATH:$JAVA_HOME/bin
保存退出

source /etc/profile

免密钥

cd到用户目录
ll -a 查看隐藏目录
如果没有  ./ssh文件夹
则输入 ssh localhost
输入密码后 再输入exit退出ssh
此时在输入 ll -a 就会看到 ./ssh文件夹

如果在输入 ssh localhost后无法免密，此时输入
ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa

此时会在ssh文件夹中生成两个文件 id_dsa,和id_dsa.pub
然后执行 
cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

验证：ssh  localhost ,此时不需要输入密码就可以联接

部署伪分布式

安装jdk、配置环境变量，测试


免秘钥
ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys


hadoop包安装并配置环变：hadoop-2.6.5.tar.gz


Hadoop的第二次JAVA_HOME 环境变量配置

vi hadoop-env.sh
vi mapred-env.sh
vi yarn-env.sh

配置core-site.xml
vi core-site.xml

    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://node001:9000</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/var/test/hadoop/local</value>
    </property>


配置hdfs-site.xml
              
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>node001:50090</value>
    </property>
配置slaves文件
                 vi slaves node06
格式化hdfs
          hdfs namenode -format  (只能格式化一次，再次启动集群不要执行）
启动集群
         start-dfs.sh

角色进程查看：jps
帮助： hdfs 
       hdfs dfs 	

查看web UI: IP:50070
     创建目录：hdfs dfs  -mkdir -p  /user/root
		
     查看目录:  hdfs dfs -ls   /
	
     上传文件： hdfs dfs -put  hadoop-2.6.5.tar.gz   /user/root				
    
      停止集群：stop-dfs.sh

部署全分布式


全分布安装
---------------------------------------------
前期准备：

jdk
hostname
hosts
date
安全机制
firewall
windows 域名映射

节点： node001/003/003/04
全分布分配方案：

		NN		SNN		DN
NODE06		*
NODE07				*		*	
NODE08						*
NODE09						*


节点状态：
	node001： 伪分布
	node002/003/004 :  ip配置完成
建立各节点通讯（hosts）

设置时间同步：date -s “xxxx-x-xx xx:xx:xx”


秘钥分发： 
在每个节点上登录一下自己：产生.ssh目录
从node001向node002/node003/node004分发公钥 (公钥的名称要变化)
scp  id_dsa.pub   node002:`pwd`/node001.pub

各节点把node001的公钥追加到认证文件里：
cat ~/node001.pub  >> ~/.ssh/authorized_keys


node002/node003/node004安装jdk环境，node001分发profile给其他节点，并重读配置文件

分发hadoop部署程序2.6.5 到其他节点


copy node001 下的 hadoop 为 hadoop-local （管理脚本只会读取hadoop目录）

[root@node001 etc]# cp -r hadoop   hadoop-local

配置core-site.xml
配置hdfs-site.xml
配置slaves

分发副本到其他002,003，004节点

格式化集群：hdfs namenode -format

启动集群：start-dfs.sh
Jps  查看各节点进程启动情况

Hadoop Shell

Hadoop API

As a layman

关注

19
点赞
踩
151

收藏

觉得还不错? 一键收藏
2
评论
Hadoop

Hadoop简介Hadoop 的思想之源：Google 第一遇到大数据计算问题的公司Openstack :NASA面对的数据和计算难题- 大量的网页怎么存储- 搜索算法带给我们的关键技术和思想（Google三大理论）- GFS 文件存储- Map-Reduce 计算- Bigtable创始人：Doug cuttingHadoop简介：http://hadoop.ap...
复制链接

扫一扫