Hadoop(初始Hadoop)

Hadoop核心组件

1、Hadoop生态系统

Hadoop具有以下特性：

方便：Hadoop运行在由一般商用机器构成的大型集群上，或者云计算服务上

健壮：Hadoop致力于在一般商用硬件上运行，其架构假设硬件会频繁失效，Hadoop可以从容地处理大多数此类故障。

可扩展：Hadoop通过增加集群节点，可以线性地扩展以处理更大的数据集。

目前应用Hadoop最多的领域有：

1) 搜索引擎，Doug Cutting设计Hadoop的初衷，就是为了针对大规模的网页快速建立索引。

2) 大数据存储，利用Hadoop的分布式存储能力，例如数据备份、数据仓库等。

3) 大数据处理，利用Hadoop的分布式处理能力，例如数据挖掘、数据分析等

2、Hadoop主要的三大组件（HDFS,MapReduce,YARN）

Hadoop的三大框架也被誉为三驾马车。源头主要是来源于Goole公司的的三篇论文中的GFS、MapReduce和BigTable，而这三个组件是用C来编写的。而Hadoop中的HDFS，MapReduce,Yarn是用Java来编写的。

1. HDFS分布式文件存储

　　用途：存储海量数据（分布式）

　　是Hadoop体系中数据存储管理的基础。它是一个高度容错的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。HDFS简化了文件的一致性模型，通过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序。

Client：切分文件；访问HDFS分布式文件系统；与NameNode交互，获取文件位置信息；与DataNode交互，读取和写入数据。（与DataNode交互时采用就近原则）

NameNode：Master主节点，主要用途是管理HDFS的名称空间和数据块映射信息，配置副本策略，处理客户端请求。（存的是整个系统的元数据如：文件名，文件目录结构，文件属性<生成时间，副本数（默认为3），文件权限>以及每个文件的块列表和块所在的DataNode等）    ## NameNode把数据分2部分进行存储。1.存放在内存中。2. NameNode服务重启后会在本地生成fsimage和fsedits文件，当内存中的数据丢失时就会自动到这2个文件中读取数据。

DataNode：Slave从节点，存储实际的数据，汇报存储信息给NameNode。（在本地文件系统存储文件数据块及块数据的校验和）

Secondary NameNode：辅助NameNode，分担其工作量，每隔一段时间获取HDFS元数据快照；定期合并fsimage和fsedits文件，推送给NameNode；紧急情况下，可辅助恢复NameNode。但Secondary NameNode并非NameNode的热备。

2. MapReduce编程模型

　　用途：处理海量数据  TB级别（主要用于对数据进行分布式计算）

　　　　（1）Map  ()  ： 把大的数据集拆分成若干个小的数据集。并对于每个数据集来进行逻辑业务处理。

　　　　（2）Reduce () ：把每个小数据集中的处理结果合并起来。（Reduce可以不只1个）

　Mapreduce处理流程，以wordCount为例：

MapReduce也叫离线计算框架。流程可参考上图。下面是我个人理解的计算流程

input  -->  Map()  --> shuffle   -->Reduce ()  --> Output

(1) input阶段把数据进行拆分传给map任务，进行处理

(2) Map 接受数据并行处理数据

(3)Shuffle连接Map跟Reduce两个阶段

　　Maptask将数据写入磁盘

　　Reduce通过网络从每个map上读取一份数据

(4) Reduce最终对Map的处理结果作一个汇总

详细博客请参考：

http://www.cnblogs.com/hadoop-dev/p/5894911.html

3. YARN

　　用途：分布式资源管理框架

　　（1）管理整个集群中的资源

　　（2）分配调度集群中的资源

ResourceManager：整个集群中的资源管理及调度由ResourceManager来负责

NodeManager：每一台机器上资源的管理由NodeManager来负责

YARN的流程描述：

Client  （提交任务）--》  ResourceManager （给每个任务分配一个应用管理者） --》 ApplicationMaster(分析每个Map任务分配需要的资源,划分任务并向ResourceManager进行申请)  --》    ResourceManager （分配申请的资源后给每个节点的NodeManager,已容器的形式） --》NodeManager中的Container （每个Map,reduce任务都是在各个机器中的Container中运行的）--》汇总给ApplicationMaster --》最终汇报给ResourceManager

ApplicationMaster主要负责向ResourceManager上申请资源，分配资源（向Nodemanager），调度以及监控各个NodeManager上的Container处理Map,Reduce的状态及容错

Container主要是负责各自map,reduce的资源分配调度管理，并把结果汇报给applicationManager最终反馈给ResourceManager.

详细信息请参考下面博客：

http://blog.csdn.net/liuwenbo0920/article/details/43304243

3、Hadoop生态系统回顾

1. 元数据

　　数据库 　　　　--》通过Sqoop框架把数据存储到HDFS上

　　日志文件  　　  --》通过Flume框架把数据存储到HDFS上

2. HDFS

　　YARN

　　　　MapReduce  -->Hive :可以把数据跑在YARN上。但是因为MapReduce不是很好编写，因此通过基于SQL语句的Hive框架来对数据进行并行处理。Pig也是一种并行处理数据的框架。

　　　　Spark   --》同样也是对map,reduce任务进行并行处理。因为Spark是把数据存放到内存中因此效率会更高。但是内存中的数据容易丢失同样风险性也高。

　　HBase (对上亿级别的数据查询，可以达到秒级别处理)

　　　　HBase是一个针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。和传统关系数据库不同，HBase采用了BigTable的数据模型：增强的稀疏排序映射表（Key/Value），其中，键由行关键字、列关键字和时间戳构成。

　　　　HBase提供了对大规模数据的随机、实时读写访问，同时，HBase中保存的数据可以使用MapReduce来处理，它将数据存储和并行计算完美地结合在一起。

　　　　数据模型：Schema-->Table-->Column Family-->Column-->RowKey-->TimeStamp-->Value

3. Oozie

　　Oozie是管理Hadoop作业的工作流调度系统。Oozie定义了控制流节点和动作节点。Oozie实现的功能:
　　（1）Workflow：顺序执行流程节点；
　　（2）Coordinator：定时触发workflow；
　　（3）Bundle Job：绑定多个Coordinator。

　　更加详细内容请参照：http://www.cnblogs.com/ilinuxer/p/6804339.html

4. ClouderManager

　　集群大了对数据可以很好的进行一个集中的部署，管理，分析，同步的作用。

5. zookeeper

　　对于分布式的组件，有些配置需要配。以及HA高可用性也需要部署，就通过Zookeeper框架来完成

6. Hue

　　对于以上的框架每个都由自己的管理页面。为了更方便我们的管理，可以通过Hue框架集中管理各个框架中的页面。