本文目录
- Hadoop 原理
- hdfs读流程
- hdfs写流程
- Hive 原理
- HBase 原理
- Flume 运行原理
- kafka 原理
- MapReduce 原理
- Spark 原理
Hadoop 原理
hdfs读流程
HDFS文件读流程：
客户端读取数据的过程如下：
（1）首先客户端会调用FileSystem. open()方法获取的dfs实例，dfs会向远程的NameNode发送RPC请求。
（2）然后NameNode会视情况返回文件的部分或全部的块列表，对于每个块呢，都包含块所在的DataNode地址，这些DataNode会按照Hadoop定义的集群拓扑结构得出客户端的距离，然后进行排序，客户端会选择离他最近的DataNode来读取块，如果客户端本身就是一个DataNode，那么将从本地读取文件。
（3）读取完当前块数据后，关闭当前的DataNode连接，并为读取下一个块寻找最佳的DataNode。
（4）然后客户端会继续向NameNode获取下一批块列表，当所有的block块完都读完后，这时就会调用close方法来完成资源的关闭操作。
hdfs写流程
HDFS文件写流程：
客户端写数据的过程如下：
（1）检查目标文件是否已存在，父目录是否存在。
（2）NameNode 返回是否可以上传。不能上传会返回异常。
（3）确定可以上传，客户端请求第一一个block 上传到哪几个datanode服务器上
（4）NameNode返回3个datanode节点，假定分别为dn1、dn2、 dn3。
（5）客户端通过FSDataOutputStream模块请求dn1.上传数据，dn1 收到请求会继续调用dn2,然后dn2调用dn3，将这个通信管道建立完成。
（6）dn1. dn2、 dn3逐级应答客户端。
（7）客户端开始往dn1上传第一个block(先从磁盘读取数据放到一个本地内存缓存)，以packet (64KB)为单位，dn1 收到一个packet就会传给dn2，dn2 传给dn3; dn1 每传一个packet会放入一个应答队列等待应答。
（8）当一个block传输完成之后，客户端再次请求NameNode上传第二个block的服务器。(重复执行3-7 步)。
或者点击此处去查看hdfs读写流程
Hive 原理
点击此处去查看相关内容
HBase 原理
点击此处去查看HBase读写数据流程
Flume 运行原理
Flume的运行原理是：Flume的核心角色为Agent，Flume分布式系统常常是由很多的Agent连接而形成的。Agent内部有三个组件，一是Source采集源，用于跟数据源对接，获取数据。二是Channel通道，Agent内部的数据传输通道，用于从source将数据传递到Sink。三是Sink目标地，采集数据的传送目的地，用于往下一级agent传递数据或者往最终存储系统传递数据。采集模式分为单级和多级采集模式。
kafka 原理
点击此处去查看相关内容
MapReduce 原理
点击此处去查看相关内容
Spark 原理
先上图：
Spark运行的基本流程图：
或者这个图：
可以看出Spark运行经过以下几个阶段：
1、用户编写好SparkContext，新创建的SparkContext连接资源管理器cluster manager，其实Spark的还有其他优秀的资源管理器可以用，比如Standalone，Apache Mesos,YARN等。资源管理器根据用户提交SparkContext时的设置，分配CPU和内存等信息，也包括任务分配以及任务监控等，这些是SparkContext向资源管理器申请的。
2、资源管理器收到用户应用提交，为应用启动执行任务的进程executor。可以看到系统可以有很多工作节点WorkNode，executor为某工作节点的一个进程。executor通过心跳向资源管理器汇报运行情况，也就是实现任务调度与监控。
3、具体是怎么执行任务的？SparkContext是用户编写创建的，里面有环境配置信息以及应用程序。SparkContext内部是这样的：结合RDD对象和依赖关系创建出有向无环图——DAG图（我理解为拓扑结构），RDD是一种内存共享模型，全称为弹性分布式数据集，可以这么理解RDD从之前的RDD中衍生出来并包含了依赖信息（就是和之前的数据有啥不一样），这样避免了数据丢失时进行检查点操作（就是=一步一步查），它只需要找到父RDD就能很好的恢复，粗略的想象成C++的继承派生会好理解一点。创建成DAG图后调用DAG Scheduler调度器将DAG分为几个阶段，阶段就是任务集，然后交给任务调度器来处理，任务调度器TaskScheduler把任务task发送给executor，SparkContext将应用程序也发给executor来执行。任务控制点Driver会不断的调用task给executor来执行，直到完成或者超过运行次数。
从构成关系看，一个用户应用由一个任务控点Driver和几个作业job构成，作业由几个阶段stage构成，一个阶段由几个任务task构成，多个任务并发（多线程处理）开销更低效率更高。
从任务执行的角度看，控制点Driver向资源管理器申请资源，资源管理器启动executor，配置好环境，executor向控制点申请任务，task和应用程序发送给executor执行，迭代调用到任务完成。
其中：
1、Application：Spark应用程序：指的是用户编写的Spark应用程序，包含了Driver功能代码和分布在集群中多个节点上运行的Executor代码。
2、Driver：驱动程序：Spark中的Driver即运行上述Application的Main()函数并且创建SparkContext，其中创建SparkContext的目的是为了准备Spark应用程序的运行环境。在Spark中由SparkContext负责和ClusterManager通信，进行资源的申请、任务的分配和监控等；当Executor部分运行完毕后，Driver负责将SparkContext关闭。通常SparkContext代表Driver
3、Cluster Manager：资源管理器：指的是在集群上获取资源的外部服务，常用的有：Standalone，Spark原生的资源管理器，由Master负责资源的分配；Haddop Yarn，由Yarn中的ResearchManager负责资源的分配；Messos，由Messos中的Messos Master负责资源管理。
4、Executor：执行器：Application运行在Worker节点上的一个进程，该进程负责运行Task，并且负责将数据存在内存或者磁盘上，每个Application都有各自独立的一批Executor
5、Worker：计算节点：集群中任何可以运行Application代码的节点，类似于Yarn中的NodeManager节点。在Standalone模式中指的就是通过Slave文件配置的Worker节点，在Spark on Yarn模式中指的就是NodeManager节点，在Spark on Messos模式中指的就是Messos Slave节点
6、DAGScheduler：有向无环图调度器：基于DAG划分Stage 并以TaskSet的形势提交Stage给TaskScheduler；负责将作业拆分成不同阶段的具有依赖关系的多批任务；最重要的任务之一就是：计算作业和任务的依赖关系，制定调度逻辑。在SparkContext初始化的过程中被实例化，一个SparkContext对应创建一个DAGScheduler。
7、TaskScheduler：任务调度器：将Taskset提交给worker（集群）运行并回报结果；负责每个具体任务的实际物理调度。
8、Job：作业：由一个或多个调度阶段所组成的一次计算作业；包含多个Task组成的并行计算，往往由Spark Action催生，一个JOB包含多个RDD及作用于相应RDD上的各种Operation。
9、Stage：调度阶段：一个任务集对应的调度阶段；每个Job会被拆分很多组Task，每组任务被称为Stage，也可称TaskSet，一个作业分为多个阶段；Stage分成两种类型ShuffleMapStage、ResultStage。
ps：望多多支持，后续更新中。。。
