文章目录
- Hadoop概述及HDFS架构
- 什么是Hadoop?概述
- 名词科普
- 服务器
- 机架
- Hadoop组件介绍
- Hadoop版本介绍
- 分布式存储
- 分布式存储介绍
- HDFS架构分析
- yarn架构分析
- MapReduce架构分析
- Hadoop特点
Hadoop概述及HDFS架构
什么是Hadoop?概述
适合海量数据进行分布式存储和分布式计算的平台
它有三大组件
Hdfs:分布式存储
主节点NameNode:接受客户端读写数据,维护文件系统目录结构存储元数据信息
从节点DataNode:真实的存储数据
MapReduce:依赖于磁盘IO的批处理计算模型
Yarn:资源调度框架
主节点:ResourceManager:整个集群资源的管理者
从节点:NodeManager:单个节点的资源管理者
- Hadoop是一个适合海量数据的分布式存储和分布式计算的平台
- 作者Doug Cutting 受Google三篇论文的启发,开发了hadoop
- 1、Google FS
- 2、MapReduce
- 3、BigTable
- Excel、分捡大豆
- 北冥有鱼,其名为鲲,鲲之大,一锅炖不下
名词科普
- Apache基金会
- 是专门为支持开源软件项目而办的一个非盈利性组织
- 服务器(节点)
- 可以理解为我们的一台笔记本/台式机
- 在这里可以认为是我们的一台虚拟机
- 后面学习中,我们会把一台服务器称为一个节点
- 机架
- 负责存放服务器的架子
- 可以理解为鞋架(_)
服务器
企业里任务和程序基本都是运行在服务器上。服务器内存和cpu以及硬盘等资源和性能远高于pc机。
机架
一个公司里,会有很多服务器。尤其是hadoop集群大到上千台服务器搭建成集群。
Hadoop组件介绍
- Hadoop是一个统称,目前hadoop主要包含三大组件
- hdfs:是一个分布式存储框架,适合海量数据存储
- mapreduce:是一个分布式计算框架,适合海量数据计算
- yarn:是一个资源调度平台,负责给计算框架分配计算资源
Hadoop版本介绍
- 目前,hadoop已经演变为大数据计算的代名词,形成了一套完善的大数据计算的生态系统,所以针对hadoop也出现了很多版本
- Apache hadoop
- 官方版本
- Cloudera hadoop(CDH)
- 使用下载最多的版本,稳定,有商业支持(收费),在Apache的基础上打上了一些patch。推荐使用
- HortonWorks(HDP)
- 基于Apache的版本进行了集成,结合Ambari可以实现平台化快速安装部署
分布式存储
HDFS具有主从架构,HDFS集群由单个名称节点组成,主服务器管理文件系统名称空间并控制客户机对文件的访问。此外,还有许多数据节点,通常是集群中每个节点一个,它们管理连接到运行它们的节点的存储。
分布式存储介绍
- 在分布式存储系统中,分散在不同节点中的数据可能属于同一个文件
- 为了组织众多的文件,把文件可以放到不同的文件夹中,文件夹可以一级一级的包含。我们把这种组织形式称为命名空间(namespace)。命名空间管理着整个服务器集群中的所有文件
- 集群中不同的节点承担不同的职责
- 负责命名空间职责的节点称为主节点(master node)
- 负责存储真实数据职责的节点称为从节点(slave node)
- 主节点负责管理文件系统的文件结构,从节点负责存储真实的数据,称为主从式结构(master-slaves)
- 用户操作时,应该先和主节点打交道,查询数据在哪些从节点上存储,然后再到从节点读取
- 在主节点上,为了加快用户访问的速度,会把整个命名空间信息都放在内存中,当存储的文件越多时,那么主节点就需要越多的内存空间
- 在从节点存储数据时,有的原始数据文件可能很大,有的可能很小,大小不一的文件不容易管理,那么可以抽象出一个独立的存储文件单位,称为块(block)
- 数据存放在集群中,可能因为网络原因或者节点硬件原因造成访问失败,最好采用副本(replication)机制,把数据同时备份到多台节点中,这样数据就安全了,数据丢失或者访问失败的概率就小了
HDFS架构分析
- 负责数据的分布式存储
- 主从结构
- 主节点,可以有2个:namenode
- 从节点,有多个:datanode
- namenode负责
- 接收用户操作请求,是用户操作的入口
- 维护文件系统的目录结构,称作命名空间
- datanode负责
- 存储数据
yarn架构分析
- 资源的调度和管理平台
- 主从结构
- 主节点,可以有2个:ResourceManager
- 从节点,有很多个: NodeManager
- ResourceManager负责
- 集群资源的分配与调度
- MapReduce、Storm、Spark等应用,必须实现ApplicationMaster接口,才能被RM管理
- NodeManager负责
- 单节点资源的管理(CPU+内存)
MapReduce架构分析
- 依赖磁盘io的批处理计算模型
- 主从结构
- 主节点,只有一个: MRAppMaster
- 从节点,就是具体的task
- MRAppMaster负责
- 接收客户端提交的计算任务
- 把计算任务分给NodeManager的Container中执行,即任务调度
- Container是YARN中资源的抽象,它封装了某个节点上一定量的资源(CPU和内存两类资源)
- Container由ApplicationMaster向ResourceManager申请的,由ResouceManager中的资源调度器异步分配给ApplicationMaster
- Container的运行是由ApplicationMaster向资源所在的NodeManager发起的
- 监控Container中Task的执行情况
- Task负责
- 处理数据
Hadoop特点
- 扩容能力(Scalable):能可靠(reliably)地存储和处理PB级别的数据。如果数据量更大,存储不下了,再增加节点就可以了
- 成本低(Economical):可以通过普通机器组成的服务器集群来分发以及处理数据.这些服务器集群可达数千个节点
- 高效率(Efficient):通过分发计算程序,hadoop可以在数据所在节点上(本地)并行地(parallel)处理他们,这使得处理非常的迅速
- 可靠性(Reliable):hadoop能够自动地维护数据的多份副本,并且在任务失败后能够自动地重新部署(redeploy)计算任务