大数据 启蒙
分治思想
适用于以下场景:
- Redis集群
- ElasticSearch
- HBase
- Hadoop生态
- 等等场景
大数据重点核心思想
- 分而治之
- 并行计算
- 计算向数据移动
- 数据本地化读取
Hadoop的项目中,包含了如下模块
-
Hadoop Common
-
Hadoop Distributed File System (HDFS)
-
Hadoop YARN(分布式资源管理)
-
Hadoop MapReduce
1、2、4在1.X的Hadoop的版本中已经存在,到2.X版本时才推出了YARN。
Hadoop相关的其他较为重要的apache项目
- HBase
- Hive
- Spark
- ZooKeeper
Hadoop—HDFS(Hadoop Distributed File System)
引出疑问:为何已经有那么多的分布式文件系统了,hadoop项目还要再开发出一个HDFS文件系统?
答:为了更好地支持分布式计算
存储模型
-
将文件,线性地,按字节切割成块(block),有id和offset(偏移量)
-
按字节切割,会把一个字符对应多个字节给切"坏"了,比如,"中"字,按照UTF-8的编码,是3个字节,这样有可能会分在两个不同的块之中。
这就需要后期计算时去修复这个问题。
-
-
文件与文件的的block可以不一样
- A文件可以每个块4M,而B文件可以是每个块8M。
-
一个文件除了最后一个块,其他的块,大小一致
- 因为最后一个块可能不够一个块的标准那么大。
-
块(block)的大小,应该依据硬件的I/O特性进行调整
-
块(block)被分散存放在集群的节点中,需要具有location
-
块(block)需要具有副本(replication),没有主从概念,副本不能出现在同一个节点。
- 这里需要区分一下,主从和主备。
-
副本是满足可靠性和性能的关键
-
文件上传可以指定块的大小和副本的数量,上传后只能修改副本的数量
- 上传后,块的大小是不支持修改的,若修改文件的某个块,该块及其后面的块的偏移量为了保持正确,需要将各自的块内容进行修改,这样集群中的机器则需要大量的资源参与该行为(泛洪效应)!
-
一次写入,多次读取,不支持修改
- 如上一条
-
文件支持追加数据(追加新的块)
架构设计
- HDFS是一个主从(Master/Slaves)架构
- 由一个NameNode和若干个DataNode组成
- 面向文件,包含文件数据(data)和文件元数据(metadata)
- NameNode负责存储和管理文件元数据,并维护了一个层次型的文件目录树
- DataNode负责存储文件数据(block块),并提供block块的读写
- DataNode和NameNode维持心跳,并汇报自己持有的block块信息
- Client和NameNode交互元数据,和DataNode交互文件block块数据
角色功能
- NameNode
- 完全基于内存存储文件元数据、目录结构、文件block块的映射
- 基于内存是要快速对请求进行响应
- 需要持久化方案保证数据可靠性
- 由于基于内存,所以需要将数据持久化,以保证数据可靠性
- 提供副本放置策略
- 完全基于内存存储文件元数据、目录结构、文件block块的映射
- DataNode
- 基于本地磁盘存储block块(文件形式)
- 并保存block块的校验和数据,保证block块的可靠性
- 类似于常用的MD5值的校验
- 与NameNode保持心跳,并汇报block块列表状态
元数据持久化
方案一:日志文件(记录实时发生的增删改的操作);优点:完整性好;缺点:加载恢复数据慢,并且日志文件占空间特别大
方案二:镜像、快照、dump、db,间隔一段时间,内存中全量数据基于某一个时间点,向磁盘的溢写。优点:恢复速度快。缺点:由于是间隔,容易丢失部分数据。
HDFS中,两种方案都使用了,日志文件使用的是EditLog,快照则是使用FsImage。HDFS是使用最近时点的FsImage和增量的EditLog。
- 任何对文件系统元数据产生修改的操作,NameNode都会使用一种叫EditLog的事务日志j记录下来
- 使用FsImagec存储内存所有的元数据状态
- 使用本地磁盘保存EditLog和FsImage
- EditLog具有完整性,数据丢失少,但恢复速度慢,并有体积膨胀风险
- FsImage具有恢复速度快,体积与内存数据相当,但不能实时保存,数据丢失多
- NameNode使用了FsImage + EditLog整合的方案
- 滚动将增量的EditLog更新到FsImage,以保证更近时点的FsImage和更小的EditLog体积
安全模式
- HDFS搭建时会格式化,格式化操作会产生一个空的FsImage
- 当NameNode启动时,它从硬盘中读取EditLog和FsImage
- 将所有的EditLog中的事务作用在内存中的FsImage上
- 并将新版本的FsImage从内存中保存到本地磁盘上
- 然后删除旧的EditLog,因为这个EditLog的事务已经作用到FsImage上了
PS:NameNode恢复FsImage中,只恢复了文件的元数据信息,和块的名称,而块的位置,是不会恢复的,因为没有持久化块的位置信息,这时候就是在启动后,由DataNode向NameNode汇报,从而重新获取块的位置信息
Q:什么是安全模式
A:
- NameNode启动后,会进入一个称为安全模式的特殊状态
- 处于安全模式的NameNode不会进行数据块的复制
- NameNode从所有的DataNode接收心跳信号和块状态报告
- 每当NameNode检测确认某个数据块的副本数目达到某个值之后,那么该数据块就会被认为是**副本安全(safely replicated)**的
- •在一定百分比(这个参数可配置)的数据块被NameNode检测确认是安全之后(加上一个额外的30秒等待时间),NameNode将退出安全模式状态。
- 接下来它会确定还有哪些数据块的副本没有达到指定数目,并将这些数据块复制到其他DataNode上。
HDFS中的SNN
SecondaryNameNode(SNN)
- 在非Ha模式下,SNN一般是独立的节点,周期完成对NN的EditLog向FsImage合并,减少EditLog大小,减少NN启动时间
- 根据配置文件设置的时间间隔fs.checkpoint.period 默认3600秒
- 根据配置文件设置edits log大小 fs.checkpoint.size 规定edits文件的最大值默认是64MB
Block的副本放置策略
PS:服务器分为塔式服务器,机架服务器和刀片服务器。
- 第一个副本:放置在上传文件的DataNode;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:放置在与第一个副本不同机架的节点上。
- 第三个副本:与第二个副本相同机架的其他节点上。
- 更多的副本:随机节点。
早期1.X版本的第二个副本是放在与第一个副本同机架的其他节点,这样若是副本数设为2,那这两个副本将会放在同一个机架上,若该机架的交换机或电源出现问题,则直接就GG了!
HDFS的读写流程
HDFS的写流程
- HDFS的客户端Client向NameNode请求,交互文件的元数据
- 包括检查目标文件是否存在,父目录是否存在,判定元数据是否有效等。
- NameNode则根据block的副本放置策略返回一个有序的DataNode列表。这中间还有一个,距离的计算。
- Client客户端,会与返回的第一个DataNode建立管道连接(Pipeline,本质上是RPC调用)
- 这里并不是Client客户端与每个DataNode建立连接,而只与第一个DataNode建立连接。
- 客户端与第一个DataNode的管道中,会将block切分成更小的packet。
- 客户端把block切割成更小的packet是为了让DataNode副本之间的传输,形成流水线,而对于客户端,也是只传输一次block。
- packet的大小是64KB,并且其中使用chunk(512B)和chunksum(4B)填充。
- chunksum,是chunk的校验和
- 即每512B的内容,会生成一个校验和(4B)
- 第一个DataNode在接收完block的第一个packet后,则会向第二个DataNode传输这第一个packet并且继续接收客户端发送过来的第二个packet。
- 同理,第二个接收完第一个DataNode传过来的第一个packet后,则会向第三个DataNode传输这第一个packet并且继续接收第一个DataNode发送过来的第二个packet,以此类推,形成一个流水线。
- 当block传输完成时,DataNode们各自向NameNode汇报,同时Client继续传输下一个block
PS:Client的传输和block的汇报是并行的!
传输过程中,若其中一个节点"挂"了的情况,分
- 第一个节点挂了,那么客户端,与第二个节点建立pipeline连接,继续从第二个节点接收的packet开始继续传
- 中间节点挂了,则上一节点直接向下一节点直接续传packet。
- 结尾节点挂了,则上一节点不向这个结尾节点传packet。
挂掉导致的block块缺失,会在DataNode与NameNode汇报的时候发现,并且由其他的副本DataNode复制出一份给缺失的节点。
HDFS的读流程
- 客户端与NameNode进行交互,取回文件的block的位置信息
- 客户端从每个block的各个副本之中,选出离自己最近的DataNode,进行下载block块
•为了降低整体的带宽消耗和读取延时,HDFS会尽量让读取程序读取离它最近的副本。
•如果在读取程序的同一个机架上有一个副本,那么就读取该副本。
•如果一个HDFS集群跨越多个数据中心,那么客户端也将首先读本地数据中心的副本。
•语义:下载一个文件:
• Client和NN交互文件元数据获取fileBlockLocation
• NN会按距离策略排序返回
• Client尝试下载block并校验数据完整性
•语义:下载一个文件其实是获取文件的所有的block元数据,那么子集获取某些block应该成立
• Hdfs支持client给出文件的offset自定义连接哪些block的DN,自定义获取数据
• 这个是支持计算层的分治、并行计算的核心
HDFS解决方案
单点故障
- 高可用方案:HA(High Available)
- 多个NameNode,主备切换
- Hadoop 2.x的版本只支持HA的一主一备
压力过大(内存受限)
- 联帮机制:Federation(元数据分片)
- 多个NaneNode管理不同的元数据
HDFS-HA解决方案:
CAP原则
C:Consistency,一致性
A:Availability,可用性
P:Partition tolerance,分区容忍性
修改HDFS的配置
- core-site.xml
<property> <name>fs.defaultFS</name> <value>hdfs://mycluster</value> <!-- 这里的mycluster是可以自定义的名称 --> </property> <property> <!-- 配置zookeeper集群的位置 --> <name>ha.zookeeper.quorum</name> <value>node02:2181,node03:2181,node04:2181</value> </property>
- hdfs-site.xml
<property> <name>dfs.nameservices</name> <value>mycluster</value> <!-- mycluster也是可以自定义写的名称,这里写了什么,后面有些属性就要注意写成什么 --> </property> <property> <!-- 配置映射一对多 --> <name>dfs.ha.namenodes.mycluster</name> <value>nn1,nn2</value> </property> <property> <!-- 配置映射的多个节点的地址 --> <name>dfs.namenode.rpc-address.mycluster.nn1</name> <value>node01:8020</value> </property> <property> <!-- 配置映射的多个节点的地址 --> <name>dfs.namenode.rpc-address.mycluster.nn2</name> <