04 Hadoop思想与原理
一、用图与自己的话，简要描述Hadoop起源与发展阶段。
从与谷歌系统的关系，关键时间节点，1.x,2.x与3.x的区别，不同公司发行版本等方面来讲。
答：Hadoop是一个对海量数据存储和海量数据分析计算的分布式系统。
Hadoop 1.x
海量数据存储 ------->HDFS
海量数据分析计算 -------> MapReduce
Hadoop 2.x 增加
资源调度系统 -------> Yarn
从hadoop最初的原型来看，hadoop已经远远超过了本身的批处理。从广义上来说，hadoop现在可以是指更广泛的一个hadoop生态了，而不仅仅是HDFS，MapReduce和Yarn。例如Hive，Hbase，Flume，Sqoop等等项目都属于这个生态。下图展示为Hadoop的生态圈。
１、Hadoop的发展
Hadoop起源于开源网络搜索引擎Apache Nutch，后者本身也是Lucene项目的一部分。Nutch项目面世后，面对数据量巨大的网页显示出了架构的灵活性不够。当时正好借鉴了谷歌分布式文件系统，做出了自己的开源系统NDFS分布式文件系统。第二年谷歌又发表了论文介绍了MapReduce系统，Nutch开发人员也开发出了MapReduce系统。随后NDFS和MapReduce命名为Hadoop，成为了Apache顶级项目。
从Hadoop的发展历程来看，它的思想来源于Google的三篇技术性论文，一是GFS：Goolgle File System分布式处理系统，这解决了Hadoop的存储问题；二是Mapreduce：分布式计算模型，这解决了Hadoop对数据进行计算处理的问题；三是BigTable，这解决了查询分布式存储文件慢的问题。
２、Hadoop的发行版本
Hadoop的三大发行版本，分别为Apache、Cloudera、Hortonworks。
其中，Apache为最基础的版本，可以基于此做二次开发。下图为Hadoop的历史版本发展图。
3、Hadoop的架构模型
- x的版本架构模型介绍
文件系统核心模块(HDFS)：
NameNode：集群当中的主节点，主要用于管理集群当中的各种数据；
secondaryNameNode：主要能用于hadoop当中元数据信息的辅助管理；
DataNode：集群当中的从节点，主要用于存储集群当中的各种数据；
数据计算核心模块(MapReduce)：
JobTracker：接收用户的计算请求任务，并分配任务给从节点；
TaskTracker：负责执行主节点JobTracker分配的任务。
2.x的版本架构模型介绍
第一种：NameNode与ResourceManager单节点架构模型
文件系统核心模块(HDFS)：
NameNode：集群当中的主节点，主要用于管理集群当中的各种数据；
secondaryNameNode：主要能用于hadoop当中元数据信息的辅助管理；
DataNode：集群当中的从节点，主要用于存储集群当中的各种数据；
数据计算核心模块(MapReduce)：
ResourceManager：接收用户的计算请求任务，并负责集群的资源分配，以及计算任务的划分；
NodeManager：负责执行主节点ResourceManager分配的任务。
第二种：NameNode单节点与ResourceManager高可用架构模型
文件系统核心模块(HDFS)：
NameNode：集群当中的主节点，主要用于管理集群当中的各种数据；
secondaryNameNode：主要能用于hadoop当中元数据信息的辅助管理；
DataNode：集群当中的从节点，主要用于存储集群当中的各种数据；数据计算核心模块(MapReduce)：
ResourceManager：接收用户的计算请求任务，并负责集群的资源分配，以及计算任务的划分，通过zookeeper实现ResourceManager的高可用；
NodeManager：负责执行主节点ResourceManager分配的任务。
第三种：NameNode高可用与ResourceManager单节点架构模型
文件系统核心模块(HDFS)：
NameNode：集群当中的主节点，主要用于管理集群当中的各种数据，其中nameNode可以有两个，形成高可用状态；
DataNode：集群当中的从节点，主要用于存储集群当中的各种数据；
JournalNode：文件系统元数据信息管理；
数据计算核心模块(MapReduce)：
ResourceManager：接收用户的计算请求任务，并负责集群的资源分配，以及计算任务的划分；
NodeManager：负责执行主节点ResourceManager分配的任务。
第四种：NameNode与ResourceManager高可用架构模型
文件系统核心模块(HDFS)：
NameNode：集群当中的主节点，主要用于管理集群当中的各种数据，一般都是使用两个，实现HA高可用；
JournalNode：元数据信息管理进程，一般都是奇数个；
DataNode：从节点，用于数据的存储；
数据计算核心模块(MapReduce)：
ResourceManager：Yarn平台的主节点，主要用于接收各种任务，通过两个，构建成高可用；
NodeManager：Yarn平台的从节点，主要用于处理ResourceManager分配的任务。
4、Hadoop的优势
（1）高可靠性
Hadoop在出现故障时可以对失败的节点重新分布处理。
（2）高扩展性
在集群间分配任务数据，可以方便地扩展数以千计的节点。
（3）高效性
Hadoop并行工作，以加快任务处理速度。
（4）高容错性
Hadoop自动保存多副本数据，并且可以将失败的任务重新分配。
二、用图与自己的话，简要描述名称节点、第二名称节点、数据节点的主要功能及相互关系
答：数据节点是分布式文件系统HDFS的工作节点，它的主要功能包括负责数据的存储和读取，根据客户端或者是名称节点的调度来进行数据的存储和检索，然后向名称节点定期发送自己所存储的块的列表。
在HDFS中，名称节点的主要功能为存储元数据，负责管理分布式文件系统的命名空间，其内保存了两个核心的数据结构，FsImage和EditLog。
第二名称节点：是HDFS架构中的一个组成部分，它用来保存名称节点中对HDFS元数据信息的备份，并减少名称节点重启的时间，第二名称节点通过HTTPGET方式从名称节点上获取到FsImage和EditLog文件，并下载到本地的相应目录下。
三、分别从以下这些方面，梳理清楚HDFS的 结构与运行流程，以图的形式描述。
（1）客户端与HDFS
（2）客户端读
（3）客户端写
（4）数据结点与集群
（5）数据结点与名称结点
（6）名称结点与第二名称结点
（7）数据结点与数据结点
（8）数据冗余
（9）数据存取策略
（10）数据错误与恢复
五、梳理HBase的结构与运行流程，以用图与自己的话进行简要描述，图中包括以下内容：
（1）Master主服务器的功能
①监控RegionServer；
②处理RegionServer故障转移、处理源数据变更；
③处理region的分配与移除；
④空闲时进行数据的负载均衡；
⑤通过Zookeeper发布自己的位置给客户端连接
（2）Region服务器的功能
①负责与HDFS的交互，存储数据到HDFS中；
②处理Master分配的region；
③刷新缓存到HDFS；
④维护HLog；
⑤执行压缩；
⑥处理region分片；
⑦处理来自客户端的读写请求
（3）Zookeeper协同的功能
①负责Master的高可用；
②Region服务器的监控；
③元数据的入口以及集群配置的维护工作
（4）Client客户端的请求流程
①HBase写数据流程
Client请求Zookeeper确定meta表所在的Region服务器所在的地址，接着根据Rowkey找到数据所归属的Region服务器；用户提交put或delete请求时，HBase Client会将put或delete请求添加到本地buffer中，符合一定条件会通过异步批量提交服务器处理。
数据到达Region后，服务端处理流程如下所示：
Region服务器获取RowLock，region更新共享锁，接着HBase写日志WAL（数据可靠性），再写缓存MemStore，然后释放锁，将日志落到HDFS；如果MemStore达到阈值将缓存数据落磁盘Store File，最后多个Store File发生合并，若Store File很大则触发split操作，将当前的region分割程2个Region，并且同步至HMaster。
②HBase读数据流程
Region服务器收到get请求后，对当前的Region进行Scan，接着根据列族对Store进行Scan，同时会对对应的MemStore进行Scan，最后找到需要的数据返回给Client。
（5）四者之间的相系关系
①Hbase集群有两种服务器：一个Master服务器和多个RegionServer服务器；
②Master服务负责维护表结构信息和各种协调工作，比如建表、删表、移动region、合并等操作；
③客户端获取数据是由客户端直连RegionServer的，所以Master服务挂掉之后依然可以查询、存储、删除数据，就是不能建新表了；
④RegionServer非常依赖Zookeeper服务，Zookeeper管理Hbase所有的RegionServer信息，包括具体的数据段存放在那个RegionServer上；
⑤客户端每次与Hbase连接，其实都是先于Zookeeper通信，查询出哪个RegionServer需要连接，然后再连接RegionServer；客户端从Zookeeper获取了RegionServer的地址后，会直接从RegionServer获取数据；
⑥RegionServer保存的数据直接存储在Hadoop的HDFS上。
总的来说 ，Client访问HBase上的数据的过程并不需要Master的参与，Master仅仅维护着table和region的元数据信息，负载很低。
（6）与HDFS的关联
HDFS为HBase提供最终的底层数据存储服务，同时为HBase提供高可用的支持。
六、完整描述Hbase表与Region的关系，三级寻址原理。
