CDH 集群的角色分配

HDFS    YARN    Cloudera Management    Zookeeper    Spark

主要角色：

管理节点（Master Hosts）：主要用于运行 Hadoop 的管理进程，比如 HDFS 的NameNode，YARN 的 ResourceManager。

工具节点（Utility Hosts）：主要用于运行非管理进程的其他进程，比如 Cloudera Manager 和 Hive Metastore.

边缘节点（Edge Hosts）：用于集群中启动作业的客户端机器，边缘节点的数量取决于工作负载的类型和数量。

工作节点（Worker Hosts）：主要用于运行 DataNode 以及其他分布式进程，比如 ImpalaD。

HDFS

Apache Hadoop 分布式文件系统 (HDFS) 是 Hadoop 应用程序使用的主要存储系统。HDFS 创建多个数据块副本并将它们分布在整个群集的计算主机上，以启用可靠且极其快速的计算功能。

节点	HDFS 节点	HDFS 从节点	HDFS 辅助节点	平衡程序
node01	NameNode	DataNode		Balancer
node02		DataNode	SecondaryNameNode
node03		DataNode

NameNode 一般在主节点上，初始化安装的时候没有高可用，所以有 SecondaryNameNode 的作为一个备份，NameNode 它会将它拆分后进行分布式存储，其中的数据是分散在各个 DataNode 节点，且默认都会有 3 个副本，防止其中一台机器宕机使得数据缺失，所以一般集群有几台机器就分配到几台机器上，balancer 一般与 NameNode 搭建在一起。

NameNode：集群的管理，存储元数据（描述数据的数据）信息   一个

• NameNode 是 HDFS 的核心，集群的主角色。
• NameNode 仅存储管理 HDFS 的元数据，不存储实际数据或数据集，数据存储在DataNodes 中。NameNode 知道 HDFS 中给定文件的块列表及其位置，以此从块中构建文件。
• NameNode 不持久化存储每个文件中各个块所在的 DataNode 的位置信息，这些信息会在系统启动时从 DataNode 汇报中重建。
• NameNode 对于 HDFS 至关重要，当 NameNode 关闭时，HDFS / Hadoop 集群无法访问。NameNode 所在机器通常会配置有大量内存（RAM）。

DataNode：存储真实数据的节点   所有

• DataNode 负责将实际数据存储在 HDFS 中，是集群的从角色。
• DataNode 启动时，它将自己发布到 NameNode 并汇报自己负责持有的块列表。
• 根据 NameNode 的指令，执行块的创建、复制、删除操作。DataNode 会定期向 NameNode 发送心跳，如果 NameNode 长时间没有接受到 DataNode 发送的心跳，  会认为该 DataNode 失效。
• 实际数据存储在 DataNode 中，故 DataNode 所在机器通常配置有大量的硬盘空间。

SecondaryNameNode：辅助 NN 的辅助节点   一个

SecondaryNameNode 为 NameNode 内存中的文件系统元数据创建检查点，帮助 NameNode 更好的工作。

SecondaryNameNode 的重要作用是定期通过编辑日志文件合并命名空间镜像，以防止编辑日志文件过大。SecondaryNameNode 一般要在另一台机器上运行，因为它需要占用大量的 CPU 时间与 NameNode 相同容量的内存才可以进行合并操作。它会保存合并后的命名空间镜像的副本，并在 NameNode 发生故障时启用。

Balancer 一般与 NameNode 搭建在一起   一个

集群平衡工具，通过运行这个程序，可以使得HDFS集群达到一个平衡的状态。

平衡指的是每个 DataNode 的利用率与整个集群的利用率的差值不超过给定的阈值。

YARN

资源管理系统是一个通用的资源模块，可以为各类应用程序进行资源管理和调度。 YARN采用了 Maser/Slave 结构，其中 Master 实现为 ResourceManager，负责整个集群的资源管理与调度； Slave 实现为 NodeManager，负责单个节点的资源管理与任务启动。

节点	YARN 主节点	YARN 从节点
node01	ResourceManager	NodeManager
node02		NodeManager
node03		NodeManager

JobHistory 与 ResourceManager 进行通信，所以部署上一般在同一台机器上放在主节点上，而 NodeManager 分配在各个节点上

ResourceManager：YARN 集群中的主节点，可以部署多个，一般部署两个
ResourceManager 是整个YARN集群中最重要的组件之一，它的设计决定了系统的可扩展性、可用性和容错性等特点。在 YARN 中，ResourceManager 负责集群中所有资源的统一管理和分配，它接受来自各个节点(NodeManager)的资源汇报信息，并把这些信息按照一定的策略分配给各个应用程序（ApplicationMaster）。

NodeManager：YARN集群中从节点，部署多个， 一般部署数量和 DataNode 节点数相同

NodeManager 是每个节点上的资源和任务管理器，它会定时地向 ResourceManger 汇报本节点上的资源使用情况和各个 Container 的运行状态，并接收、处理来自 ApplicationMaster 的 Container 启动/停止等各种请求。

JobHistory 与 ResourceManager 一般部署在同一台机器上，放于主节点   一个

用户可以在浏览器查询每个 job 运行完以后的历史日志信息，比如 map 个数、reduce 个数等，JobHistory 是作为一台单独的服务器运行的。可以在 NameNode 或者 DataNode 上的任意一台启动即可。

日志聚合功能：日志信息分散在各个 NodeManager节点上，日志聚合将各个 NodeManager 节点上的日志信息聚合在一个节点上，并放在 HDFS 上，方便查看。

Cloudera Management

根据实际搭建，相当于是集群的监听器，在网页上出现的的图表就是这个监听器，可以搭建在主节点上，但若是主节点上分配的角色过多会影响其服务器的性能。

Cloudera Manager 是一个用于管理 CDH 群集的应用程序。根据实际搭建，相当于是集群的监听器，在网页上出现的的图表就是这个监听器，可以搭建在主节点上，但若是主节点上分配的角色过多会影响其服务器的性能。

• 该应用程序使安装过程自动化，将部署时间从几周缩短到几分钟；
• 提供运行主机和服务的集群范围的实时视图；
• 提供单个中央控制台，以在整个群集中实施配置更改；
• 整合了各种报告和诊断工具，以帮助优化性能和利用率。

Event Server
事件服务，收集 hadoop 相关事件并据此生成警告信息。

Host Monitor
主机检测，收集主机运行健康指标信息。

Activity Monitor
活动检测，收集 MapReduce 运行活动信息，默认情况下没有添加这个角色。

Service Monitor
服务检测，收集有关服务的运行状况和指标信息以及 YARN 和 Impala 服务中的活动信息。

Alert Publisher
警告通知，生成相关类型警告通知事件并提供 SNMP 服务供第三方收集信息。

Reports Manager
报告管理，生成用户组历史磁盘使用率、yarn资源池、HBase表的使用情况。

Zookeeper

Zookeeper Server 进程提供分布式协调管理服务，CDH 集群机器一般是奇数，最好有几台机器就部署在几台机器上。奇数个 paxos 算法可以保证半数以上投票支持，且节约资源，需要部署奇数个，且最少是三个。

Spark

基于内存进行计算的分布式计算框架。在迭代计算的场景下，数据处理过程中的数据可以存储在内存中，提供了比 MapReduce 高 10 到 100 倍的计算能力。Spark 可以使用 HDFS 作为底层存储，使用户能够快速地从 MapReduce 切换到 Spark 计算平台上去。

Spark 和 Spark2 可以分配在任意的机器上，按实际情况调整，但是 Gateway 部署在全部机器上，相当于 Spark、Spark2 机器之间的通信功能。

History Server：在运行 Spark 应用程序时，driver 会提供一个 webUI 用于展现应用程序的运行信息，但是该 webUI 随着应用程序的完成而关闭端口。通过配置 History Server，Spark 应用程序在运行完应用程序之后，将应用程序的运行信息写入指定目录，而 Spark history server 可以将这些运行信息装载并以 web 的方式供用户浏览。