一文读懂Hadoop

一文读懂Hadoop

一.什么是hadoop？

1.Hadoop是Apache旗下的一套开源软件平台，是用来分析和处理大数据的软件平台。

2.Hadoop提供的功能：利用服务器集群，根据用户的自定义业务逻辑， 对海量数据进行分布式处理。
3.Hadoop的核心组件：由底层往上分别是 HDFS、Yarn、MapReduce。
4.广义上来说，Hadoop通常指的是指一个更广泛的概念->Hadoop生态 圈。
5.云计算是分布式计算、并行计算、网格计算、多核计算、网络存储、虚 拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助 IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业 务模式，把强大的计算能力提供给终端用户。
6.现阶段，云计算的两大底层支撑技术为虚拟化和大数据技术。
7.HADOOP则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更 不等同于云计算本身。
8.HADOOP应用于数据服务基础平台建设。
9.HADOOP用于用户画像。
10.HADOOP用于网站点击流日志数据挖掘

二.Hadoop的生态圈和核心组件

核心组件：HDFS（分布式文件系统）、YARN（集群资源管理系统）、MapReduce(分布式计算框架)

 

1.HDFS: 分布式文件存储系统(Hadoop Distributed File System)

HDFS是块级别的分布式文件存储系统。是hadoop中数据存储管理的基础,具有高度容错性，能检测和应对硬件故障。

包含四个部分：HDFS Client、NameCode(nn)、DataNode(dn)、Secondary NameCode(2nn)

 

HDFS客户端：就是客户端。
1、提供一些命令来管理、访问 HDFS，比如启动或者关闭HDFS。
2、与 DataNode 交互，读取或者写入数据；读取时，要与 NameNode 交互，获取文件的位置信息；写入 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。

 

NameCode(nn)：元数据节点，存储文件的元数据。如文件名、文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在得到DataNode等；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；

它是描述数据的数据，相当于图书馆的检索系统。

DataNode(dn)：数据节点，在本地文件系统存储文件块数据，以及块数据的校验和。

存储实际的数据，汇报存储信息给namenode，相当于书柜。

Secondary NameCode(2nn)：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。辅助namenode，分担其工作量：定期合并fsimage和fsedits，推送给namenode

2. Yarn：分布式资源管理器 (Yet Another Resource Negotiator，另一种资源协调者)

Yarn顾名思义 管理资源的 那么具有足够的通用性，可以支持其他的分布式计算模式。

Yarn还能很方便的管理诸如Hive、Hbase、Pig、Spark/Shark等应用。

Yarn可以使各种应用互不干扰的运行在同一个Hadoop系统中，实现整个集群资源的共享。

包含两个进程：Nodemanager,ResourceManager

3. MapReduce：分布式计算框架

mapreduce是一种采用分而治之的分布式计算框架，用于处理数据量大的计算。

如一复杂的计算任务，单台服务器无法胜任时，可将此大任务切分成一个个小的任务，小任务分别在不同的服务器上并行的执行；最终再汇总每个小任务的结果

MapReduce由两个阶段组成：

　　Map阶段（切分成一个个小的任务）

　　Reduce阶段（汇总小任务的结果）

用户只需实现map()和reduce()两个函数，即可实现分布式计算

 

执行流程图如下：

jobtracker

master节点，只有一个，管理所有作业，任务/作业的监控，错误处理等，将任务分解成一系列任务，并分派给tasktracker。

tacktracker

slave节点，运行 map task和reducetask；并与jobtracker交互，汇报任务状态。

map task

解析每条数据记录，传递给用户编写的map（）并执行，将输出结果写入到本地磁盘（如果为map—only作业，则直接写入HDFS）。

reduce task

从map 它深刻地执行结果中，远程读取输入数据，对数据进行排序，将数据分组传递给用户编写的reduce函数执行

 

原理图如下：

总体来说：是个总分总的结构，先分解成多个小任务，在map阶段处理完成后，汇总成少数个小任务server在Reduce阶段处理进行排序 分组等操作。

Map阶段解说：先把一个大任务分解split成多个小任务

(1) 读取HDFS中的文件。每一行解析成一个<k,v>。每一个键值对调用一次map函数。<0,hello you> <1,hello me>

(2)覆盖map()，接收(1)产生的<k,v>，进行处理，转换为新的<k,v>输出。 　<hello,1> <you,1> <hello,1> <me,1>

(3)对(2)输出的<k,v>进行分区。默认分为一个区。

(4)对不同分区中的数据进行排序（按照k）、分组。分组指的是相同key的value放到一个集合中。　排序后：<hello,1> <hello,1> <me,1> <you,1> 分组后：<hello,{1,1}><me,{1}><you,{1}>

(5)（可选）对分组后的数据进行归约。

Rduce阶段解说：把map阶段的结果进行汇总

（1）多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。
（2）对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑，<hello,2> <me,1> <you,1> 处理后，产生新的<k,v>输出。
（3）对reduce输出的<k,v>写到HDFS中。

 

 

 

参考文献：

https://www.jianshu.com/p/f1e785fffd4d,

https://blog.csdn.net/qq_39783601/article/details/104928348，

https://blog.csdn.net/zcb_data/article/details/80402411,

https://www.cnblogs.com/ahu-lichang/p/6645074.html.