Hadoop数据管理

　　本节主要从三方面介绍Hadoop数据管理：分布式文件系统HDFS、分部式数据库HBase和数据仓库工具Hive。

1. HDFS的数据管理

　　HDFS是分布式计算的存储基石，Hadoop分布式文件系统和其他分布式文件系统由很多类似的特性：

　　1）对于整个集群有单一的命名空间；

　　2）具有数据一致性，都适合一次写入多次读取的模型，客户端在文件没有被成功创建之前是没有办法看到文件存在的；

　　3）文件会被分割成多个文件块，每个文件快被分配存储到数据节点上，而且会根据配置由复制文件快来保证数据的安全性。

　　HDFS通过NameＮode、DataNode和Client来进行文件系统的管理。NameＮode可以看成是分布式文件系统中的管理者，主要负责文件系统的命名空间、集群配置信息和存储块的复制等。NameNode会将文件系统的Metadata存储在内存中，这些信息主要包括文件信息、每一个文件对应的文件块的信息和每一个文件块在DataNode中的信息等。DataNode是文件存储的基本单元，它将文件块（Block）存储在本地文件系统中，保存了所有的Block和Metadata，同时周期性地将所有文件存在的Block信息发送给NameNode。Client就是需要获取分布式文件系统文件的应用程序。

　　（１）文件写入

　　１）Client向NameNode发起文件写入的请求；

　　２）NameNode根据文件大小和文件块配置信息，返回给Client所管理的DataNode的信息；

　　３）Client将文件划分为多个Block，根据DataNode的地址信息，按顺序将其写入到每一个DataNode块中。

　　（２）文件读取

　　1）Client向NameNode发起文件读取的请求；

　　2）NameNode返回文件存储的DataNode信息；

　　3）Client读取文件信息。

　　（３）文件块（Block）复制

　　1）NameNode发现部分文件的Block不符合最小复制数这一要求或部分DataNode失效；

　　2）通知DataNode相互复制Block；

　　3）DataNode开始直接相互复制。

　　作为分布式文件系统，HDFS在数据管理方面还有值得借鉴的几个功能：

　　（1）文件块（Block）的放置：一个Block会有三分备份，一份放在NameNode指定的DataNode上，另一份放在与指定DataNode不在同一机器上的DataNode上，最后一份放在与指定DataNode同一Rack的DataNode上。备份的目的是为了数据安全，采用这种配置方式主要是考虑同一Rack失败的情况，以及不同的Rack之间进行数据复制会带来的性能问题。

　　（2）心跳检测：用心跳检测DataNode的健康状况，如果发现问题就采取数据备份的方式来保证数据的安全性。

　　（3）数据复制（ 场景为DataNode失败、需要平衡DataNode的存储利用率和平衡DataNode数据交互的压力等情况）：使用Hadoop时可以用HDFS的balancer命令配置Threshold来平衡每一个DataNode的磁盘利用率。假设设置了Threshold为10%，那么执行balancer命令时，首先会统计所有DataNode的磁盘利用率上午平均值，然后判断如果某一个DataNode的磁盘利用率超过这个平均值，那么将会把这个DataNode的Block转移到磁盘利用率低的DataNode上，这对于新节点的加入十分有用。

　　（4）数据校验：采用CRC32（循环冗余校验）做数据校验。在写入文件块的时候，除了会写入数据外还会写入校验信息，在读取的时候则需要先校验后读入。

　　（5）单个NameNode：如果单个NameNode失败，任务处理信息将会记录在本地文件系统和远端的文件系统中。

　　（6）数据管道性的写入：当客户端要写入文件到DataNode上时，首先会读入一个Block，然后将其写到第一个DataNode上，然后由第一个DataNode将其传递到备份的DataNode上，知道所有需要写入这个Block的DataNode都写入后，客户端才会开始写下一个Block。

　　（7）安全模式：分布式文件系统启动时会进入安全模式（系统运行期间也可以通过命令进入安全模式），当分布式文件系统处于安全模式时，文件系统中的内容不允许修改也不运行删除，知道安全模式结束。安全模式时为了在系统启动时检查各个DataNode上的数据块的有效性，同时根据策略进行必要的复制或删除部分数据块。

2. HBASE的数据管理

　　HBASE是一个类似Bigtable的分布式数据库，它的大部分特性和Bigtable一样，是一个稀疏的、长期存储的（存在硬盘上）、多维度的排序映射表，这张表的索引是行关键字、列关键字和时间戳。表中的每个值是一个纯字符数组，数据都是字符串，没有类型。用户在表格中存储数据，每一行都有一个可排序的主键和任意多的列。由于是稀疏存储的，所以同一张表中的每一行数据都可以有截然不同的列。列名字的格式是“<family>:<label>”，它是由字符串组成的，每一张表有一个family集合，这个集合是固定不变的，相当于表的结果，只能通过该表表结构来改变family集合。但是label值相对于每一行来说都是可以改变的。

　　HBase把同一个family的数据存储在同一个目录下，而HBase的写操作是锁行的，每一行都是一个原子元素，都可以加锁。所有数据库的更新都有一个时间戳标记，每次更新都会生成一个新的版本，而HBase会保留一定数量的版本，这个值是可以设定的。客户端可以选择获取距离某个时间段最近的版本，或者一次获取所有版本。

　　HBase在分布式集群上主要依靠由HRegion、HMaster、HClient组成的体系结构从整体上管理数据。

　　HBase体系结构的三大重要组成部分：

　　（1）HBaseMaster：HBase主服务器，与Bigtable的主服务器类似。

　　一个HBase值部署一台 主服务器，它通过领导选举算法（Leader Election Algorithm）确保只有唯一的主服务器是活跃的，ZooKeeper保存主服务器的服务器地址信息。如果主服务器瘫痪，可以通过领导选举算法从备用的服务器中选择新的新服务器。主服务器承担着初始化集群的任务。当主服务器第一次启动的时候，会试图从HDFS获取根或根域目录，如果获取失败则自动创建根或根域目录，以及第一个元域目录。在下次启动的时候，主服务器就可以获取集群和集群中所有的预的信息了。同时主服务器还负责集群中域的分配、域服务器运行情况的监视、表格的管理等工作。

　　（2）HRegionServer：HBase域服务器，与Bigtable的Tablet服务器类似。

　　HBase域服务器的主要职责有服务于主服务器分配的域、处理客户端的读写请求、本地缓存区回写、本地数据压缩和分割域等功能。

　　每个域只能由一台域服务器来提供服务。当它开始服务于某个域时，它会从HDFS文件系统中读取该域的日志和所有存储文件，同时还会管理操作HDFS的持久性存储工作。客户端通过与主服务器通信获取域和域所在域服务器的列表信息后，就可以直接向域服务器发起域读写请求来完成操作。

　　（3）HBaseClient：HBase客户端是由org.apache.hadoop.client.HTable 定义的。

　　HBase客户端负责查找用户域所在域服务器的地址。HBase客户端会与HBase主机交换消息以在查找根域的位置，这是两者之间唯一的交流。定位根域之后，客户端连接根域所在服务器，并扫描根域获取元域信息，元域信息中包含所需用户的域服务器的地址。客户端再连接元域所在的域服务器，扫描元域以获取所需用户所在的域服务器地址。定位用户域之后，客户端再连接用户域所在的域服务器并发出读写请求。用户域的地址将在客户端被缓存，后续的请求无须再进行以上操作。

　　综上所述，在HBase体系结构中，HBase主要由主服务器、域服务器和客户端三部分组成。主服务器作为HBase的中心，管理整个集群中的所有域，监控每台域服务器的运行情况等；域服务器接受来自服务器的分配域，处理客户端的域读写请求并回写映射文件等；客户端主要用来查找用户域所在的域服务器地址信息。

3. Hive的数据管理

　　Hive是建立在Hadoop上的数据仓库基础架构。它提供了一系列工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。Hive定义了简单的类SQL的查询语言，称为Hive SQL，它允许熟悉SQL的用户用SQL语言查询数据。作为一个数据仓库，Hive的数据管理按照使用层次可以从元数据存储、数据存储和数据交换三方面来介绍。

　　（1）元数据存储

　　Hive将元数据存储在RDBMS中，支持三种模式连接到数据库：

　　1）Single Use Mode：此模式连接到一个In-memory的数据库Derby，一般用于Unit Test。

　　2）Multi User Mode：通过网络连接到一个数据库中，这是最常用的模式。

　　3）Remote Server Mode：用于非Java客户端访问元数据库，在服务器端启动一个MetaStoreServer，客户端利用Thrift协议通过MetaSoreServer来访问元数据库。

　　（2）数据存储

　　首先，Hive没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由地阻止Hive中的表，只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符，它就可以解析数据了。其次，Hive中的所有数据都存储在HDFS中，Hive中包含4中数据模型：Table、External Table、Partition和Bucket。

　　（3）数据交换

　　数据交换主要分为以下几部分，如下图所示。

　　1）用户接口：包括客户端、Web界面和数据库接口。

　　其中最常用的是客户端。Client是Hive的客户端，当启动Client模式时，用户会想要连接Hive Server，这时需要指出Hive Server所在的节点，并且在该节点启动HiveServer。Web界面是通过浏览器访问Hive的接口。

　　2）元数据存储：通常存储在关系数据库中，如MySQL、Derby等。

　　Hive中的元数据包括：表的名字、表的列、表的分区、表分区的属性、表的属性（是否为外部表等）、表的数据所在目录等。

　　3）解释器、编译器、优化器、执行器。

　　前三个主要完成Hive QL查询语句从词法分析、语法分析、编译、优化到查询计划的生成。生成的查询计划存储在HDFS中，并且随后MapReduce调用执行。

　　4）Hadoop：利用HDFS进行存储，利用MapReduce进行计算，大部分的查询由MapReduce完成（包含*的查询不会生成MapReduce任务，比如select * from table1）。

　　以上从Hadoop的分布式文件系统HDFS、分布式数据库HBase和数据仓库工具Hive介绍了Hadoop的数据管理，它们都通过自己的数据定义、体系结构、实现了数据从宏观到微观的立体化管理，完成了Hadoop平台上大规模的数据存储和任务处理。

以上就是博主为大家介绍的这一板块的主要内容，这都是博主自己的学习过程，希望能给大家带来一定的指导作用，有用的还望大家点个支持，如果对你没用也望包涵，有错误烦请指出。如有期待可关注博主以第一时间获取更新哦，谢谢！

　　

版权声明：本文为博主原创文章，未经博主允许不得转载。