hadoop详解

HDFS架构

Block数据块：

  1. 基本存储单位，一般为64M（配置大的快主要是因为：

    1） 减少搜寻时间，一般硬盘传输速率比寻道时间快，大的块可以减少寻道时间；
    2） 减少管理块的数据开销，每个块都需要在NameNode上有对应的记录
    3） 对数据块进行读写，减少建立网络的连接成本

  2. 一个大文件会被拆分成一个个的块，然后存储于不同的机器。如果一个文件少于Block大小，那么实际占用的空间为其文件的大小

  3. 基本的读写单位，类似于磁盘的也，每次都是读写一个块

  4. 每个块都会被复制到多台机器，默认复制三份

NameNode

  1. 存储文件的metadata，运行时所有数据都保存到内存，整个HDFS可存储的文件数受限于NameNode的内存大小
  2. 一个Block在NameNode中对应一条记录（一般一个block占用150字节），如果是大量的小文件，就会消耗大量内存。同时map task的数量是由splits来决定的，所以用MapReduce处理大量的小文件时，就会产生过多的map task的数量是由splits来决定的，所以用MapReduce处理大量的小文件时，就会产生过多的map task，线程的数量是由splits来决定的，所以用MapReduce处理大量的小文件时，就会产生过多的map task，线程管理开销将会增加作业时间。处理大量小文件的速度远远小于处理同等大小的大文件的速度，因此Hadoop建议存储大文件
  3. 数据会定时保存到本地磁盘，但不保存block的位置信息，而是有DataNode注册时上报和运行时维护（NameNode中与DataNode相关的信息并不保存到NameNode的文件系统中，而是NameNode每次重启后，动态重建 ）
  4. NameNode失效则整个HDFS都失效了，所以要保证NameNode的可用性

Secondary NameNode

  1. 定时与NameNode进行同步（定期合并文件系统镜像和编辑日志，然后把合并后的传给NameNode，替换其镜像，并清空编辑日志，类似CheckPoint机制），但NameNode失效后任需要手工将其设置成主机

DataNode

  1. 保存具体的block数据
  2. 负责数据的读写操作和复制操作
  3. DataNode启动时会想NameNode报告当前数据块信息，后续也会定时报告修改信息
  4. DataNode之间会进行通信，复制数据块，保证数据的冗余性

HDFS-写文件

  1. 当客户端将文件写入本地磁盘的临时文件中
  2. 当临时文件大小达到一个block大小时，HDFS client通知NameNode，申请写入文件
  3. NameNode在HDFS的文件系统中创建一个文件，并把该block id和要写入的DataNode的列表返回给客户端
  4. 客户端收到这些信息后，将临时文件写入DataNodes
  • 4.1 客户端将文件内容写入第一个DataNode（一般以4kb为单位进行传输）
  • 4.2 第一个DataNode接收后，将数据在DataNode之间是通过pipeline的方式进行复制的
  • 4.3 依此类推到最后一个DataNode，数据在DataNode之间是通过pipeline的方式进行复制的
  • 4.4 后面的DataNode接收完数据后，都会发送一个确认给前一个DataNode，最终第一个DataNode返回确认给客户端
  • 4.5 当客户端接收到整个block的确认后，会向NameNode发送一个最终的确认信息。
  • 4.6 如果写入某个DataNode失败，数据会继续写入其他的DataNode。然后NameNode会找另外一个号的DataNode继续复制，以保证冗余性
  • 4.7 每个block都会有一个验证码，并存放到独立的文件中，以便读的时候来验证其完整性
  1. 文件写完后（客户端关闭），NameNode提交文件（这时文件才课件，如果提交前，NameNode垮掉，那文件也就丢失了，fsync：只保证数据的信息写到NameNode上，但并不保证数据已经被写到DataNode中）

Rack aware（机架感知）

通过配置文件指定机架名和DNS的对应关系

假设复制参数是3，在写入文件时，会在本地的机架保存一份数据，然后在另外一个机架内保存两份数据（同机架内的传输速度块，从而提高性能）

整个HDFS的集群，最好是负载均衡的，这样才能尽量利用集群的优势。

Hadoop读文件

  1. 客户端向NameNode发送读取请求
  2. NameNode返回文件的所有block和这些block所在的DataNodes（包括复制节点）
  3. 客户端直接从DataNode中读取数据，如果该DataNode读取失败（DataNode失效或校验码不对），则从复制节点读取（如果读取的数据就在本机，则直接读取，否则通过网络读取）

Hadoop 可靠性

HDFS - 可靠性

2.DataNode可以失效

DataNode会定时发送心跳到NameNode如果一段时间内NameNode没有收到DataNode的心跳信息，则认为器失效。此时NameNode就会将该节点的数据（从该节点的复制节点中获取）复制到另外DataNode中

2.数据可以毁坏

无论是写入还是硬盘本身的问题，只要数据有问题（读取时通过校验码来检测），都可以通过其他的复制节点读取，同时还会再复制一份到健康的节点中

3.NameNode不可靠

Hadoop命令工具

HDFS - 命令工具

fsck：检查文件的完整性

start-balancer.sh：重新平衡HDFS

hdfs dfs -copyFromLocal 从本地磁盘复制文件到HDFS

Hadoop - YARN

就的MapReduce架构

  • JobTracker：负责资源管理，跟踪资源消耗和可用性，作业生命周期管理（调度作业任务，跟踪进度，为任务提供容错）
  • TaskTracker：加载或关闭任务，定时报告认为状态

此架构会有以下问题：

  1. JobTracker是MapReduce的集中点，存在单点故障
  2. JobTracker完成了太多的任务，造成了过多的资源消耗，当MapReduce job非常多的时候，会造成很大的内存开销。这也是业界普遍总结出老Hadoop的MapReduce只能支持4000节点主机的上限
  3. 在TaskTracker端，以map/reduce task的数目作为资源的表示过于简单，没有考虑到cpu/内存的占用情况，如果两个大内存消耗的task被调度到了一块，很容易出现OOM
  4. 在TaskTracker端，把资源强制划分为map task slot和reduce task slot，如果当系统中只有map task或者只有reduce task的时候，会造成资源的浪费，也就是集群资源利用的问题

总的来说就是单点问题和资源利用率问题

YARN架构

posted @ 2019-11-19 14:39  hwloser  阅读(327)  评论(0)    收藏  举报