Hadoop大数据平台架构与实践
2018-11-23 来源：raincent
一、什么是Apache Hadoop？
1.1 定义和特性
可靠的、可扩展的、分布式计算开源软件。
Apache Hadoop软件库是一个框架，允许使用简单的编程模型，在计算机集群分布式地处理大型数据集。
它可以从单个服务器扩展到数千台机器，每个机器都提供本地计算和存储。
每一台计算机都容易出现故障，库本身的目的是检测和处理应用层的故障，因此在一组计算机上提供高可用性服务，而不是依靠硬件来提供高可用性。
1.2 主要模块：
Hadoop Distributed File System(HDFS): 一个分布式文件系统，它提供对应用程序数据的高吞吐量访问。
Hadoop YARN: 作业调度和集群资源管理的框架。
Hadoop MapReduce: 基于YARN的大型数据集并行处理系统。
二、Hadoop安装（以hadoop-1.2.1为例）
2.1 准备条件
Linux操作系统
安装JDK以及配置相关环境变量
下载Hadoop安装包，如：hadoop-1.2.1.tar.gz（官网下载地址：http://hadoop.apache.org/releases.html）
2.2 安装
将hadoop-1.2.1.tar.gz解压到指定目录，如：/opt/hadoop-1.2.1/
2.3 配置hadoop环境变量
在/etc/profile中配置如下信息：
2.4 修改四个配置文件
这四个配置文件均在/opt/hadoop-1.2.1/conf/目录下。
(a)修改hadoop-env.sh,设置JAVA_HOME:
(b)修改core-site.xml,设置hadoop.tmp.dir,dfs.name.dir,fs.default.name:
©修改mapred-site.xml,设置mapred.job.tracker:
(d)修改hdfs-site.xml,设置dfs.data.dir:
2.5 格式化
执行命令：
正确执行的结果如下所示：
2.6 启动
2.7 查看当前运行的java进程
在Terminal输入命令，出现如下结果表示hadoop安装成功：
三、HDFS简介
3.1 HDFS基本概念
HDFS设计架构
块（Block）：
HDFS的文件被分成块进行存储
HDFS块的默认大小为64MB
块是文件存储处理的逻辑单元
管理节点（NameNode），存放文件元数据：
文件与数据块的映射表
数据块与数据节点的映射表
DataNode：
DataNode是HDFS的工作节点
存放数据块
3.2 数据管理策略与容错
数据块副本：每个数据块至少3个副本，分布在两个机架内的多个节点
心跳检测：DataNode定期向NameNode发送心跳消息
二级NameNode：二级NameNode定期同步元数据映像文件和修改日志，NameNode发生故障时，二级NameNode替换为主NameNode
3.3 HDFS中文件的读写操作
HDFS读取文件的流程
HDFS写入文件的流程
3.4 HDFS的特点
数据冗余，硬件容错
流式的数据访问（一次写入、多次读取）
适合存储大文件
适用性和局限性
适合数据批量读写，吞吐量高
不适合交互式应用，低延迟很难满足
适合一次写入多次读取，顺序读写
不支持多用户并发写相同文件
3.5 HDFS使用
HDFS命令行操作：
四、MapReduce简介
4.1 MapReduce的原理
分而治之，一个大任务分成多个小的子任务（map），并行执行后，合并结果（reduce）
4.2 MapReduce的运行流程
基本概念
Job(作业) & Task(任务)
一个Job可以分成多个Task（MapTask & ReduceTask）
JobTracker（作业管理节点）
客户端提交Job，JobTracker将其放入候选队列中，在适当的时候进行调度，将Job拆分成多个MapTask和ReduceTask，分发给TaskTracker执行。JobTracker的角色：
作业调度
分配任务、监控任务执行进度
监控TaskTracker的状态
TaskTracker（任务管理节点）
通常TaskTracker和HDFS的DataNode属于同一组物理节点，实现了移动计算代替移动数据，保证读取数据开销最小。TaskTracker的角色：
执行任务
汇报任务状态
MapReduce的体系结构
MapReduce作业执行过程
MapReduce的容错机制
重复执行
默认为最多4次后放弃
推测执行
原因：所有Map端运算完成，才开始执行Reduce端。
作用：保证整个任务的计算，不会因为某一两个TaskTracker的故障，导致整个任务执行效率很低。
五、YARN - Hadoop 资源管理器
YARN的基本思想是将资源管理和作业调度/监控的功能拆分到不同的守护进程。这种思想需要有一个全局的资源管理器（RM）和（每个应用程序都要有的）应用程序管理器（AM）。
资源管理器（RM）和节点管理器（NodeManager）形成了数据计算框架。资源管理器（RM）是在系统中所有应用程序间仲裁资源的最终权威。节点管理器（NodeManager）是每台机器的框架代理，负责容器的管理，监控他们的资源使用情况(cpu、内存、磁盘、网络)，并向资源管理器（RM）/调度器报告该情况。
每个应用程序的应用程序管理器（AM）实际上是一个特定的框架的库，它的任务是与资源管理器（RM）协商资源，并与节点管理器（NodeManager）一起工作来执行和监视任务。
资源管理器（RM）有两个主要组件:调度程序和应用程序管理器（AM）。
调度程序负责将资源分配给各种运行的应用程序。调度程序是纯粹的调度器，因为它不执行应用程序的状态监视或跟踪。另外，它也不能保证重新启动失败的任务，无论是由于应用程序失败还是硬件故障。
应用程序管理器（AM）负责接收提交的工作，协商执行应用程序的第一个容器，并并提供在失败时重新启动应用程序管理器(AM)容器的服务。每个应用程序管理器(AM)负责从调度程序中协商适当的资源容器，跟踪它们的状态并监视进程。
YARN 还支持资源预定的概念，保留资源以确保重要工作的可预见性执行。预订系统会对资源进行跟踪，对预订进行控制，并动态地指导底层的调度程序，以确保预订是满的。
Hadoop官网：http://hadoop.apache.org
作者：Jochen_M
来源：CSDN
版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点！
本站所提供的图片等素材，版权归原作者所有，如需使用，请与原作者联系。
