大数据中HDFS、MapReduce、Hbase常见工作执行流程总结

大数据中HDFS、MapReduce、Hbase常见工作执行流程总结

1. HDFS的写流程

写数据的宏观实现流程

1. 客户端向HDFS发送写数据的请求
   • hdfs dfs -put tomcat.tar.gz /yjx/
2. filesystem通过RPC调用NameNode的create方法
   • NN首先检查是否有足够的空间权限等条件创建这个文件，同时判断这个路径是否已存在
     • 有权限
       • NN会针对这个文件创建一个空的Entry对象用来存储文件与Block块之间的映射关系，Block块与DN之间的映射关系
       • Entry对象是一个Map对象，其中存储着文件与Block块之间的KV关系和Block块与DN之间的KV关系
     • 无权限
       • 直接抛出相应的异常，给予客户端错误的信息
3. DFS如果接收到成功状态，会创建一个对象FSDataOutputStream给客户端使用
4. 客户端需要向NN询问第一个Block存放的位置
   • NN是通过机架感知策略来确定Block的存放位置(node1 node 2 node8)
5. 客户端和DN节点直接建立连接
   • pipeline（管道）
     • 客户端和node1建立连接socket
     • node1和node2创建连接 socket
     • node2和node8创建连接 socket
6. 客户端将文件按照块Block切分数据，但是按照packet发送数据
   • 默认一个packet的大小为64k，Block大小为128M，是2048个packet
7. 客户端通过pipeline管道开始使用FSDataOutputStream对象将数据输出
   • 客户端首先将一个packet发送给node1，同时给予node1一个ack状态
     • ACK (Acknowledge character）即是确认字符，在数据通信中，接收站发给发送站的一种传输类控制字符。表示发来的数据已确认接收无误
   • node1接受数据后会将数据继续传递给node2，同时给予node2一个ack状态
   • node2接受数据后会将数据继续传递给node8,同时给予node8一个ack状态
   • node8将这个packet接受完成后，会响应这个ack给node2为true
   • node2会响应给node1 ,同理node1响应给客户端
8. 客户端接收到成功的状态，就认为某个packet发送成功了，直到当前Block块的所有packet都发送完成
9. 如果客户端接收到最后一个packet的成功状态，说明当前Block传输完成，管道就会被撤销
10. 客户端会将这个消息传递给NN，NN确认传输完成
    • NN这时会将Block的信息记录到Entry，客户端会继续向NN询问第二个Block块的存储位置，以此类推
    • block1 (node1 node2 node8)
    • block2 (node1 node8 node9)
    • …
    • blockn(node1 node7 node9)
11. 当所有的Block传输完成后，NN在Entry中存储所有的File和Block块的映射关系，以及Block块与DN的映射关系，同时关闭FSDataOutPutStream

2.HDFS的读流程

1. 首先客户端发送请求到DFS，申请读取某一个文件
   • hdfs dfs -get /yjx/tomcat.tar.gz
2. DFS去NN查找这个文件的信息（权限，文件是否存在）
   • 如果文件不存在，抛出指定的错误
   • 如果文件存在，返回成功状态
3. DFS创建FSDataInputStream对象，客户端通过这个对象读取数据
4. 客户端获取文件第一个Block块信息，返回DN1，DN2，DN8
5. 客户端直接就近原则选择DN1对应的数据即可
6. 以此类推读取到其他块的信息，直到最后一个块，然后将所有的Block块合并成一个文件
7. 关闭FSDataInputStream

3.Yarn 的资源调度流程

自我理解步骤：

1. 首先客户端向HDFS发来一个请求，这个请求经过yarn之后被分配给RM（ResourceManager）这个资源协调框架的管理者，然后由RM来向下面的NM（NodeManager）来完成相应的请求
2. 接受请求之后，RM会创建一个ApplicationMaster进程来给告诉他要完成哪些请求
3. 然后ApplicationMaster会检查NodeManager下面的资源情况，查看谁有空闲的Container，接着给这些Container的NodeManager资源协调框架的执行者发出一个指令，告诉他们去给他们下面的Container去执行实际的请求
4. 当Container完成了NodeManager发来的请求时，MR会杀死ApplicationMaster这个进程，然后资源被释放，请求完成

书籍借鉴步骤：

在yarn框架中执行一个MapReduce程序时，从提交到完成需要经历如下8个步骤

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。

2. yarn中的ResourceManager负责接收和处理来自客户端的请求，然后ResourceManager里面的调度器会为应用程序分配一个容器Container。同时。ResourceManager的应用程序管理器会与该容器所在的NodeManager通信，为该应用程序在该容器中启动一个ApplicationMaster

3. ApplicationMaster被RM创建后，首先会向ResourceManager注册，从而使得用户可以通过ResourceManager来直接查看应用程序的运行状态，接下来的4-7步骤是具体的应用程序的执行过程

4. ApplicationMaster采用轮询的方式用过RPC协议向ResourceManager申请资源

5. ResourceManager以“容器”的形式向提出申请的ApplicationMaster分配资源，一旦ApplicationMaster申请到资源，就会与该容器所在的NodeManager进行通信，要求他启动任务。

6. 当ApplicationMaster要求启动任务时，他会为任务设置好运行环境（包括环境变量，jar包等），然后将任务启动命令写到一个脚本中，最后通过在容器中运行该脚本来启动任务

7. 各个任务通过某个RPC协议向ApplicationMaster汇报自己的进度和状态，让ApplicationMaster可以随时掌握各个任务的运行状态，从而可以在任务失败时重启任务

8. 应用程序完成后，ApplicationMaster向ResourceManager的应用程序管理器注销并关闭自己，若ApplicationMaster因故障失败，ResourceManager中的应用程序管理器会检测到失败的情形，然后将其重新启动，直到所有的任务执行完毕。

   

4.MapReduce的工作流程 ☕️

1. 客户端将每个block块切片（逻辑切分），每个切片都对应一个map任务，默认一个block块对应一个切片和一个map任务，split包含的信息：分片的元数据信息，包含起始位置，长度，和所在节点列表等。
2. map按行读取切片数据，组成键值对，key为当前行在源文件中的字节偏移量，value为读到的字符串
3. map函数对键值对进行计算，输出<key,value,partition（分区号）>格式数据，partition指定该键值对由哪个reducer进行处理。通过分区器，key的hashcode对reducer个数取模。
4. map将kvp写入环形缓冲区内，环形缓冲区默认为100MB，阈值为80%，当环形缓冲区达到80%时，就向磁盘溢写小文件，
5. 该小文件先按照分区号排序，区号相同的再按照key进行排序，归并排序。溢写的小文件如果达到三个，则进行归并，归并为大文件，大文件也按照分区和key进行排序，目的是降低中间结果数据量（网络传输），提升运行效率
6. 如果map任务处理完毕，则reducer发送http get请求到map主机上下载数据，该过程被称为洗牌shuffle
7. 可以设置combinclass（需要算法满足结合律），先在map端对数据进行一个压缩，再进行传输，map任务结束，reduce任务开始
8. reduce会对洗牌获取的数据进行归并，如果有时间，会将归并好的数据落入磁盘（其他数据还在洗牌状态）
9. 每个分区对应一个reduce，每个reduce按照key进行分组，每个分组调用一次reduce方法，该方法迭代计算，将结果写到hdfs输出

5.HBase读取数据流程

先是一个公共的流程（寻地址流程）

1. Client访问Zookeeper，获取hbase:meta所在的RegionServer的节点信息
2. Client访问hbase:meta所在的RegionServer，获取hbase:meta记录的元数据后先加载到内存中，然后再从内存中根据需要查询的RowKey来查询出RowKey所在的Region的相关信息（Region在RegionServer中）
3. Client访问RowKey所在的RegionServer，发起数据读取请求
4. RegionServer构建RegionScanner，用于对该Region的数据检索
   • 需要查询的RowKey分布在多少个Region中就需要构建多少个RegionScanner
5. RegionScanner构建StoreScanner，用于对该列族的数据检索
   • Region中有多少个Store就需要构建多少个StoreScanner，Store的数量取决于Table的ColumnFamily的数量
6. 多个StoreScanner合并构建最小堆（已排序的完全二叉树）StoreHeap:PriorityQueue
7. StoreScanner构建一个MemStoreScanner和一个或多个StoreFileScanner（数量取决于StoreFile的数量）
8. 过滤掉某些能够确定要查询的RowKey一定不在StoreFile内对于的StoreFileScanner或MEMStoreScanner
9. 经过筛选后留下的Scanner开始做读取数据的准备，将对应的StoreFile定位到满足RowKey的起始位置
10. 将所有的StoreFileScanner和MemStoreScanner合并构建最小堆
    • KeyValueHeap:PriorityQueue，排序的规则按照KeyValue从小到大排序
11. 从KeyValueHeap:PriorityQueue中经过一系列筛选后一行行的得到需要查询的KeyValue。

6.HBase写入数据流程

版本一：

1. 首先访问Zookeeper，获取hbase:meta表位于哪个RegionServer中
2. 访问对应的RegionServer，获取hbase:meta表，将其缓存到连接中，作为连接属性MetaCache，由于meta表具有一定的数据量，导致了创建连接比较慢
   • 之后使用创建的连接获取Table，这是一个轻量级的连接，只有在第一次创建连接的时候会检查表格是否存在访问RegionServer，之后再获取Table时不会访问RegionServer
3. 调用Table的put方法写入数据，此时还需要解析RowKey，对照缓存的MetaCache，查看具体写入的位置有哪个REgionServer
4. 将数据顺序写入（追加）到WAL，此处日志的写入是直接写到HDFS上，并设置专门的线程控制WAL预写日志的滚动（类似于Flume）
5. 根据写入命令的RowKey和Column Family查看具体写入到哪个Memstore，并且在MemStore中排序
6. 向客户端发送ack
7. 等达到MemStore的刷写时机后，将数据写到对应的Store中

版本二：

1. 首先客户端和RegionServer建立连接
2. 然后将DML要做的操作写入到日志wa-log中
3. 将数据的修改更新到memstore中，本次的操作介绍
   • 一个region由多个store组成，一个store对应一个CF（列族），store包括位于内存中的memstore和位于磁盘中的StoreFile，写操作先写入memstore
4. 当memstore数据写到阈值之后，创建一个新的memstore
5. 旧的memstore写成一个独立的StoreFile，RegionServer会启动flashcache进程写入StoreFile，每次写入形成单独的一个StoreFile，存放到HDFS上⛔️
6. 当StoreFile文件的数量增长到一定阈值后，系统会进行合
   • minor compaction
   • major compaction
7. 在合并的过程中会进行版本合并和删除工作，形成更大的StoreFile
8. 当一个region所有StoreFile的大小和数量超过一定阈值后，会把当前的region分割成两个，并由HMaster分配到相应的RegionServer服务器，实现负载均衡
9. Store负载管理当前列族的数据
   • Store=1 memstore+n storefile
10. 当我们进行数据DML的时候，以插入数据为例
    • 我们会将数据先存到memstore中，当memstore达到阈值（128M）时
    • 首先我们会创建一个新的memstore
    • 然后会将memstore中的数据写成一个StoreFile，然后StoreFile会存储到HDFS上
11. 随着时间的推移，数据会进行合并
    • HFile中会存放大量的失效数据（删除、修改）
    • 会产生多个HFile
    • 等达到阈值（时间、数量）会进行合并
      • 多个HFile会合并成一个大的HFile
      • 合并会触发连锁反应，相邻的store也会进行合并
12. 在Hbase中，表被分割成多个更小的块然后分散的存储在不同的服务器上，这些小块叫做Regions，存放Regions的地方叫做RegionServer。Master进程负责处理不同的RegionServe之间的Region的分发。在Hbase实现中HRegionServer和HRegion类代表RegionServer和Region。HRegionServer除了包含一些HRegions之外，还处理两种类型的文件用于数据存储
    • HLog 预写日志文件，也叫做WAL(write-ahead log)
    • HFile 是HDFS中真实存在的数据存储文件

创作整理不易，如果对你有帮助，希望能得到您的点赞或者关注，持续分享一些大数据的基础知识！