day28-s-hadoop

day28-s-hadoop

hadoop

hadoop是一个由Apache基金会开发的 分布式系统基础架构
主要解决：海量数据的存储和海量数据的分析计算问题
广义上来说：hadoop通常指一个更广泛的概念--hadoop生态圈

需要掌握的：

hadoop hdfs
hadoop mapReduce
hadoop Common
Zookeeper
hive
oozie
hbase

hadoop发展历史

1 Lucene框架是Doug Cutting开创的开源软件，用java书写代码，实现与Google类似的全文搜索功能，他提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎。

2 2001年年底Lucene成为Apache基金会的一个子项目
3 对于海量数据的场景，Lucene面对与Google同样的困难，存取数据困难，检索数据慢

4 学习和模仿Google解决这些问题的颁发：微型版Nutch

5 Google在大数据方面的三篇论文：
    GFS --- HDFS
    Map-Reduce --- MapReduce
    BigTable --- HBase
6 2006年3月份，Map-Reduce和Nuth Distributed File System（NDFS）分别被纳入到Hadoop项目种，Hadoop就此正式诞生，标志着大数据时代来临。

hadoop三大发行版本

Apache、Cloudera、Hortonworks

Apache 版本最原始（最基础）的版本，对于入门学习最好
Cloudera 内部集成了很多大数据框架。对应产品CDH
Hortonworks 文档较好。对应产品HDP

hadoop的优势（4高）

• 高可靠性
  • Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失
• 高扩展性
  • 在集群间分配任务数据，可方便的扩展数以千计的节点
• 高效性
  • 在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度
• 高容错性
  • 能够自动将失败的任务重新分配

hadoop组成（面试重点）

hadoop1.x和hadoop2.x和hadoop3.x区别

在hadoop1.x时代，hadoop种的mapreduce同时处理逻辑运算和资源调度，耦合性较大，在hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算。

HDFS架构概述

HDFS(Hadoop Distributed File System)的架构概述

• NameNode（nn）

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的DataDode等

通过元数据去找到具体的文件（DataNode）

• DataNode（dn）

在本地文件系统存储文件块数据，以及块数据的校验和。
校验和：对数据的检查的校验值，检查数据是否损坏
默认是128M

• SecondNameNode

帮助NameNode分担工作

HDFS的架构：
	NameNode（nn）：是HDFS的大哥，管理和存储所有真实数据的元数据信息（文件名、文件大小、创建时间等）
	DataNode（dn）：是HDFS的小弟，存储真实的数据，以块为单位
		默认的块大小是128M，比如一个2000M的文件，存储到HDFS后，有两块：128M 72M
	Secondary NameNode（2nn）：是NameNode的秘书，辅助NameNode干活，分担NameNode工作，减轻NameNOde的压力

YARN

资源调度
考虑内存
Resource Manager ：YARN 的大哥，整个集群的所有资源
Node Manger ：管理的是所在机器的资源
Resource Manager任务：
	处理客户端请求
	监控NodeManager
	启动或监控ApplicationMaster
	资源的分配与调度
NodeManger主要作用：
	管理单个节点上的资源
	处理来自ResoureManager的命令
	处理来自ApplicationMaster的命令
ApplicationMaster 作用：
	负责数的切分
	为应用程序申请资源并分配给内部的任务
	任务的监控与容错
Container
	Container是YARN中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等

YARN架构
ResourceManager（rm）：是YARN的大哥，管理和分配集群中所有的资源（来自每个机器的资源）
NodeManager(nm)：是yarn的小弟。管理所在机器的资源，（但只能听从大哥的指令才能去分配资源）
ApplicationMaster(am)：每个job都对应一个ApplicationMaster，主要负责Job的执行过程（资源申请、监控、容错）
Container：对资源的抽象封装，防止资源被侵占


理解：
	ResourceManager（项目总监）：管理公司中所有的开发人员
	NodeManager：
	ApplicationMaster（项目经理）：管理某个项目的开发人员
	
	                                <-- （申请开发人员）申请资源
	接了个项目（job）-->ResourceManager --（分配负责人）启动--> ApplicationMaster(负责当前的项目（job）) -把控项目-> 项目骑电动，进行开发

MapReduce架构

MapReduce将计算过程分为两个过程：Map（分）和Reduce（和）
1 Map阶段并行处理输入数据
2 Reduce阶段对Map结果进行汇总

MapReduce思想

Map（分）：将数据分到多台机器进行计算
Reduce（和）：将多台机器中运算的结果同一汇总

大数据技术生态体系

大数据分析过程：