Hadoop再探讨

• Hadoop的优化与发展
• HDFS2.0的新特性
• 新一代资源管理调度框架YARN
• Hadoop生态系统中具有代表性的功能组件
  

Hadoop的优化与发展

Hadoop1.0的核心组件（仅指MapReduce和HDFS，不包括Hadoop生态系统内的Pig、Hive、HBase等其他组件），
主要存在以下不足：

• 抽象层次低，需人工编码
• 表达能力有限
• 开发者自己管理作业（Job）之间的依赖关系
• 难以看到程序整体逻辑
• 执行迭代操作效率低
• 资源浪费（Map和Reduce分两阶段执行）
• 实时性差（适合批处理，不支持实时交互式）

Hadoop的优化与发展主要体现在两个方面：

• 一方面是Hadoop自身两大核心组件MapReduce和HDFS的架构设计改进
• 另一方面是Hadoop生态系统其它组件的不断丰富，加入了Pig、Tez、Spark和Kafka等新组件

HDFS2.0的新特性

• HDFS HA
• HDFS Federation

HDFS HA

HDFS1.0组件及其功能回顾（具体请参见第3章HDFS）
名称节点保存元数据：

1. 在磁盘上：FsImage和EditLog
2. 在内存中：映射信息，即文件包含哪些块，每个块存储在哪个数据节点

HDFS 1.0存在单点故障问题
第二名称节点（SecondaryNameNode）无法解决单点故障问题
单点故障问题

• SecondaryNameNode会定期和NameNode通信
• 从NameNode上获取到FsImage和EditLog文件，并下载到本地的相应目录下
• 执行EditLog和FsImage文件合并
• 将新的FsImage文件发送到NameNode节点上
• NameNode使用新的FsImage和EditLog（缩小了）

第二名称节点用途：

• 不是热备份
• 主要是防止日志文件EditLog过大，导致名称节点失败恢复时消耗过多时间
• 附带起到冷备份功能

• HDFS HA（High Availability）是为了解决单点故障问题
• HA集群设置两个名称节点，“活跃（Active）”和“待命（Standby）”
• 两种名称节点的状态同步，可以借助于一个共享存储系统来实现
• 一旦活跃名称节点出现故障，就可以立即切换到待命名称节点
• Zookeeper确保一个名称节点在对外服务
• 名称节点维护映射信息，数据节点同时向两个名称节点汇报信息

HDFS Federation

HDFS1.0中存在的问题

• 单点故障问题
• 不可以水平扩展（是否可以通过纵向扩展来解决？）
• 系统整体性能受限于单个名称节点的吞吐量
• 单个名称节点难以提供不同程序之间的隔离性
• HDFS HA是热备份，提供高可用性，但是无法解决可扩展性、系统性能和隔离性

HDFS Federation的设计

• 在HDFS Federation中，设计了多个相互独立的名称节点，使得HDFS的命名服务能够水平扩展，这些名称节点分别进行各自命名空间和块的管理，相互之间是联盟（Federation）关系，不需要彼此协调。并且向后兼容
• HDFS Federation中，所有名称节点会共享底层的数据节点存储资源，数据节点向所有名称节点汇报
• 属于同一个命名空间的块构成一个“块池”
  
  HDFS Federation的访问方式
• 对于Federation中的多个命名空间，可以采用客户端挂载表（Client Side
  Mount Table）方式进行数据共享和访问
• 客户可以访问不同的挂载点来访问不同的子命名空间
• 把各个命名空间挂载到全局“挂载表”（mount-table）中，实现数据全局共享
• 同样的命名空间挂载到个人的挂载表中，就成为应用程序可见的命名空间

HDFS Federation相对于HDFS1.0的优势
HDFS Federation设计可解决单名称节点存在的以下几个问题：

1. HDFS集群扩展性。多个名称节点各自分管一部分目录，使得一个集
   群可以扩展到更多节点，不再像HDFS1.0中那样由于内存的限制制约文件
   存储数目
2. 性能更高效。多个名称节点管理不同的数据，且同时对外提供服务，
   将为用户提供更高的读写吞吐率
3. 良好的隔离性。用户可根据需要将不同业务数据交由不同名称节点
   管理，这样不同业务之间影响很小

需要注意的，HDFS Federation并不能解决单点故障问题，也就是说，每
个名称节点都存在在单点故障问题，需要为每个名称节点部署一个后备名
称节点，以应对名称节点挂掉对业务产生的影响

新一代资源管理调度框架YARN

• MapReduce1.0的缺陷
• YARN设计思路
• YARN体系结构
• YARN工作流程
• YARN框架与MapReduce1.0框架的对比分析
• YARN的发展目标

MapReduce1.0的缺陷

1. 存在单点故障
2. JobTracker“大包大揽”导致任务过重（任务多时内存开销大，上限4000节点）
3. 容易出现内存溢出（分配资源只考虑MapReduce任务数，不考虑CPU、内存）
4. 资源划分不合理（强制划分为slot ，包括Map slot和Reduce slot）

YARN设计思路

• MapReduce1.0既是一个计算框架，也是一个资源管理调度框架
• 到了Hadoop2.0以后，MapReduce1.0中的资源管理调度功能，被单独分离出来形成了YARN，它是一个纯粹的资源管理调度框架，而不是一个计算框架
• 被剥离了资源管理调度功能的MapReduce 框架就变成了MapReduce2.0，它是运行在YARN之上的一个纯粹的计算框架，不再自己负责资源调度管理服务，而是由YARN为其提供资源管理调度服务

YARN体系结构

ResourceManager

• 处理客户端请求
• 启动/监控ApplicationMaster
• 监控NodeManager
• 资源分配与调度

NodeManager

• 单个节点上的资源管理
• 处理来自ResourceManger的命令
• 处理来自ApplicationMaster的命令

ApplicationMaster

• 为应用程序申请资源，并分配给内部任务
• 任务调度、监控与容错

ResourceManager

• ResourceManager（RM）是一个全局的资源管理器，负责整个系统的资源管理和分配，主要包括两个组件，即调度器（Scheduler）和应用程序管理器（Applications Manager）
• 调度器接收来自ApplicationMaster的应用程序资源请求，把集群中的资源以“容器”的形式分配给提出申请的应用程序，容器的选择通常会考虑应用程序所要处理的数据的位置，进行就近选择，从而实现“计算向数据靠拢”
• 容器（Container）作为动态资源分配单位，每个容器中都封装了一定数量的CPU、内存、磁盘等资源，从而限定每个应用程序可以使用的资源量
• 调度器被设计成是一个可插拔的组件，YARN不仅自身提供了许多种直接可用的调度器，也允许用户根据自己的需求重新设计调度器
• 应用程序管理器（Applications Manager）负责系统中所有应用程序的管理工作，主要包括应用程序提交、与调度器协商资源以启动ApplicationMaster、监控ApplicationMaster运行状态并在失败时重新启动等

ApplicationMaster

ResourceManager接收用户提交的作业，按照作业的上下文信息以及从NodeManager收集来的容器状态信息，启动调度过程，为用户作业启动一个ApplicationMaster
ApplicationMaster的主要功能是：

1. 当用户作业提交时，ApplicationMaster与ResourceManager协商获取资源，ResourceManager会以容器的形式为ApplicationMaster分配资源；
2. 把获得的资源进一步分配给内部的各个任务（Map任务或Reduce任务），实现资源的“二次分配”；
3. 与NodeManager保持交互通信进行应用程序的启动、运行、监控和停止，监控申请到的资源的使用情况，对所有任务的执行进度和状态进行监控，并在任务发生失败时执行失败恢复（即重新申请资源重启任务）；
4. 定时向ResourceManager发送“心跳”消息，报告资源的使用情况和应用的进度信息；
5. 当作业完成时，ApplicationMaster向ResourceManager注销容器，执行周期完成

NodeManager

NodeManager是驻留在一个YARN集群中的每个节点上的代理，主要负责：

• 容器生命周期管理
• 监控每个容器的资源（CPU、内存等）使用情况
• 跟踪节点健康状况
• 以“心跳”的方式与ResourceManager保持通信
• 向ResourceManager汇报作业的资源使用情况和每个容器的运行状态
• 接收来自ApplicationMaster的启动/停止容器的各种请求

需要说明的是，NodeManager主要负责管理抽象的容器，只处理与容器相关的事情，而不具体负责每个任务（Map任务或Reduce任务）自身状态的管理，因为这些管理工作是由ApplicationMaster完成的，ApplicationMaster会通过不断与NodeManager通信来掌握各个任务的执行状态

在集群部署方面，YARN的各个组件是和Hadoop集群中的其他组件进行统一部署的

YARN工作流程

步骤1：用户编写客户端应用程序，向YARN提交应用程序，提交的内容包括
ApplicationMaster程序、启动ApplicationMaster的命令、用户程序等
步骤2：YARN中的ResourceManager负责接收和处理来自客户端的请求，为应用程序分配一个容器，在该容器中启动一个ApplicationMaster
步骤3：ApplicationMaster被创建后会首先向ResourceManager注册
步骤4：ApplicationMaster采用轮询的方式向ResourceManager申请资源
步骤5：ResourceManager以“容器”的形式向提出申请的ApplicationMaster分配资源
步骤6：在容器中启动任务（运行环境、脚本）
步骤7：各个任务向ApplicationMaster汇报自己的状态和进度
步骤8：应用程序运行完成后，ApplicationMaster向ResourceManager的应用程序管理器注销并关闭自己

YARN框架与MapReduce1.0框架的对比分析

从MapReduce1.0框架发展到YARN框架，客户端并没有发生变化，其大部分调用API及接口都保持兼容，因此，原来针对Hadoop1.0开发的代码不用做大的改动，就可以直接放到Hadoop2.0平台上运行

总体而言，YARN相对于MapReduce1.0来说具有以下优势：

• 大大减少了承担中心服务功能的ResourceManager的资源消耗
• ApplicationMaster来完成需要大量资源消耗的任务调度和监控
• 多个作业对应多个ApplicationMaster，实现了监控分布化

MapReduce1.0既是一个计算框架，又是一个资源管理调度框架，但是，只能支持MapReduce编程模型。而YARN则是一个纯粹的资源调度管理框架，在它上面可以运行包括MapReduce在内的不同类型的计算框架，只要编程实现相应的ApplicationMaster

YARN中的资源管理比MapReduce1.0更加高效,以容器为单位，而不是以slot为单位

YARN的发展目标

YARN的目标就是实现“一个集群多个框架”，为什么？

• 一个企业当中同时存在各种不同的业务应用场景，需要采用不同的计算框架
  • MapReduce实现离线批处理
  • 使用Impala实现实时交互式查询分析
  • 使用Storm实现流式数据实时分析
  • 使用Spark实现迭代计算
• 这些产品通常来自不同的开发团队，具有各自的资源调度管理机制
• 为了避免不同类型应用之间互相干扰，企业就需要把内部的服务器拆分成多个集群，分别安装运行不同的计算框架，即“一个框架一个集群”

导致问题

• 集群资源利用率低
• 数据无法共享
• 维护代价高

• YARN的目标就是实现“一个集群多个框架”，即在一个集群上部署一个统一的资源调度管理框架YARN，在YARN之上可以部署其他各种计算框架
• 由YARN为这些计算框架提供统一的资源调度管理服务，并且能够根据各种计算框架的负载需求，调整各自占用的资源，实现集群资源共享和资源弹性收缩
• 可以实现一个集群上的不同应用负载混搭，有效提高了集群的利用率
• 不同计算框架可以共享底层存储，避免了数据集跨集群移动

Hadoop生态系统中具有代表性的功能组件

• Pig
• Tez
• Spark
• Kafka

Pig

Pig是Hadoop生态系统的一个组件

• 提供了类似SQL的Pig Latin语言（包含Filter、GroupBy、Join、OrderBy等操作，同时也支持用户自定义函数）
• 允许用户通过编写简单的脚本来实现复杂的数据分析，而不需要编写复杂的MapReduce应用程序
• Pig会自动把用户编写的脚本转换成MapReduce作业在Hadoop集群上运行，而且具备对生成的MapReduce程序进行自动优化的功能
• 用户在编写Pig程序的时候，不需要关心程序的运行效率，这就大大减少了用户编程时间
• 通过配合使用Pig和Hadoop，在处理海量数据时就可以实现事半功倍的效果，比使用Java、C++等语言编写MapReduce程序的难度要小很多，并且用更少的代码量实现了相同的数据处理分析功能

Pig可以加载数据、表达转换数据以及存储最终结果
Pig语句通常按照如下的格式来编写:

• 通过LOAD语句从文件系统读取数据
• 通过一系列“转换”语句对数据进行处理
• 通过一条STORE语句把处理结果输出到文件系统中，或者使用DUMP语句把处理结果输出到屏幕上

Pig的应用场景

• 数据查询只面向相关技术人员
• 即时性的数据处理需求，这样可以通过pig很快写一个脚本开始运行处理，而不需要创建表等相关的事先准备工作

Pig主要用户

• Yahoo!: 90%以上的MapReduce作业是Pig生成的
• Twitter: 80%以上的MapReduce作业是Pig生成的
• Linkedin: 大部分的MapReduce作业是Pig生成的
• 其他主要用户: Salesforce, Nokia, AOL, comScore

Tez

• Tez是Apache开源的支持DAG作业的计算框架，它直接源于MapReduce框架
• 核心思想是将Map和Reduce两个操作进一步拆分
• Map被拆分成Input、Processor、Sort、Merge和Output
• Reduce被拆分成Input、Shuffle、Sort、Merge、Processor和Output等
• 分解后的元操作可以任意灵活组合，产生新的操作
• 这些操作经过一些控制程序组装后，可形成一个大的DAG作业
• 通过DAG作业的方式运行MapReduce作业，提供了程序运行的整体处理逻辑，就可以去除工作流当中多余的Map阶段，减少不必要的操作，提升数据处理的性能
• Hortonworks把Tez应用到数据仓库Hive的优化中，使得性能提升了约100倍

在Hadoop2.0生态系统中，MapReduce、Hive、Pig等计算框架，都需要最终以MapReduce任务的形式执行数据分析，因此，Tez框架可以发挥重要的作用

• 借助于Tez框架实现对MapReduce、Pig和Hive等的性能优化
• 可以解决现有MR框架在迭代计算（如PageRank计算）和交互式计算方面的问题

(Tez+Hive)与Impala、Dremel和Drill的区别？

• Tez在解决Hive、Pig延迟大、性能低等问题的思路，是和那些支持实时交互式查询分析的产品（如Impala、Dremel和Drill等）是不同的
• Impala、Dremel和Drill的解决问题思路是抛弃MapReduce计算框架，不再将类似SQL语句的HiveQL或者Pig语句翻译成MapReduce程序，而是采用与商用并行关系数据库类似的分布式查询引擎，可以直接从HDFS或者HBase中用SQL语句查询数据，而不需要把SQL语句转化成MapReduce任务来执行，从而大大降低了延迟，很好地满足了实时查询的要求
• Tez则不同，比如，针对Hive数据仓库进行优化的“Tez+Hive”解决方案，仍采用MapReduce计算框架，但是对DAG的作业依赖关系进行了裁剪，并将多个小作业合并成一个大作业，这样，不仅计算量减少了，而且写HDFS次数也会大大减少

Spark

• Hadoop缺陷，其MapReduce计算模型延迟过高，无法胜任实时、快速计算的需求，因而只适用于离线批处理的应用场景
  • 中间结果写入磁盘，每次运行都从磁盘读数据
  • 在前一个任务执行完成之前，其他任务无法开始，难以胜任复杂、多阶段的计算任务
• Spark最初诞生于伯克利大学的APM实验室，是一个可应用于大规模数据处理的快速、通用引擎，如今是Apache软件基金会下的顶级开源项目之一
• Spark在借鉴Hadoop MapReduce优点的同时，很好地解决了MapReduce所面临的问题
  • 内存计算，带来了更高的迭代运算效率
  • 基于DAG的任务调度执行机制，优于MapReduce的迭代执行机制
• 当前，Spark正以其结构一体化、功能多元化的优势，逐渐成为当今大数据领域最热门的大数据计算平台

Kafka

• Kafka是一种高吞吐量的分布式发布订阅消息系统，用户通过Kafka系统可以发布大量的消息，同时也能实时订阅消费消息
• Kafka可以同时满足在线实时处理和批量离线处理
• 在公司的大数据生态系统中，可以把Kafka作为数据交换枢纽，不同类型的分布式系统（关系数据库、NoSQL数据库、流处理系统、批处理系统等），可以统一接入到Kafka，实现和Hadoop各个组件之间的不同类型数据的实时高效交换