1.hadoop架构及作用
（1）Common
hadoop核心组件，基本jar包依赖，公共工具程序
（2）HDFS（Hadoop Distributed File System）
分布式文件系统，解决分布式存储
（3）MapReduce
分布式计算框架
（4）Yarn
分布式资源管理系统
2.HDFS架构及功能
（1）client 客户端
linux window/sheel COMMAND-LINE
java/scala/python PROJECT
向namenode发送请求，和datanode发生交互
（2）NameNode
元数据节点，储存元数据信息，负责处理客户端的请求
（文件block的位置信息不保存在namenode上，namenode只提供文件名，文件大小，块名，块数量，读取文件时client先找到最近的一个datanode节点，通过nodemanager访问resourcemanager，获取块存储的位置信息）
（3）DataNode
数据节点：保存和block检索
执行数据读写操作
（4）Secondary NameNode
合并edit.log到fsimage中
赋值NameNode完成内存中元数据存储的持久化
3.HDFS架构优缺点
优点：
（1）高扩展性
可以根据业务需求增加集群机器的数量，可以是普通机器
（2）高容错性
数据层面：hadoop底层维护多个数据副本 yarn->datanode
管理层面：hadoop框架能自动将失败的任务重新分配
yarn->appmaster->container
zookeeper->namenode
（3）数据量大
依靠hdfs可以操作PB级的数据
（4）流式访问
序列化，流传输，支持任意数据类型
缺点：
（1）不适合低延时
I/O操作频繁
（2）不可以并发
没有锁机制，不支持事务
（3）不使用数据量小的文件
占空间（1个block块占128M），小文件过多，nn内存有限，寻址慢
4.HDFS写数据流程
1.client 请求
client创建DFS
DFS dfs = FileSystem.open()
向NN请求 (源文件已存在)
2.NN 确认
目录存在、用户无操作权限 return false
否则 return true
3.client 切分并请求第一个Block DN
client将文件切成n个128M的Block
client向NN请求第1个Block的存储DN列表
4.NN 返回DN列表
假如返回：dn1 dn2 dn3
5.client 写入
a. FSDOS向dn1请求写入
b. dn1请求dn2,dn2请求dn3,分别建立pipeline管道
c. dn3响应dn2,dn2响应dn1,dn1响应client
d. Block传输
d.1: client读取第一个Block并以Packet(64k)为单位传输,dn1每收到一个Packet会建立等待应答队列,并逐级传输给dn2,dn3
d.2: dn3,dn2,dn1逐级应答,并将结果反馈给client
d.3: 重复d.1~2直至Block传输完成
f. 关闭FSDOS
6.client发送complete给NN
7.重复3~6直至所有Block传输完成5.HDFS读数据流程
1.client创建DFS
DFS dfs = FileSystem.open()
2.DFS向NN请求RPC获取【文件开始部分或全部】Block有序列表
列表按距离client的距离升序排序
每个Block包含DN地址,如果client就是DN,则本地读取
3.DFS向client返回支持文件定位的输入流对象FSDIS
【了解】
FSDIS中包含一个(DFSIS)DFSInputStream,用来管理DN和NN之间的IO
如：
DN中数据缺失或者下载一部分之后任务失败，则可以通过DFSInputStream联系NN求助
NN借助YARN找到距离最近的另一个备份节点
将未完成的下载任务迁移到该节点，并通过【支持文件定位】的输入流对象FSDIS进行【续传】
4.client调用FSDIS的read()找到离client最近的DN,并连接DN
5.DFSIS依次读取一个批次的Block
a. 读取包含文件第一个Block的最近DN地址
b. 重复调用read()方法,直至第一个Block读取完成
c. 关闭DN连接
d. 重复a~c直至第一个批次的Block全部读取完成
6.重复2~5,直至所有批次的Block读取完成
7.关闭DFSIS,FSDIS,DFS5.MapReduce过程详解
1.确定MapTask数和设置分区
TextInputFormat extends FileInputFormat implement InputFormat
InputFormat
InputFormat 的主要功能就是确定每一个 map 任务需要读取哪些数据以及如
何读取数据的问题，每一个 map 读取哪些数据由 InputSplit（数据切片）决定，
如何读取数据由 RecordReader 来决定。InputFormat 中就有获取 InputSplit 和RecordReader 的方法
FileInputFormat实现了InputFormat，实现了 getSplit方法，可设置切片大小，通过切片大小可设置MapTask任务个数
computeSliteSize=Math.max(minSize, Math.min(maxSize, blockSize))
默认为blockSize大小
NumMapTask=ceil(FileSize/computeSliteSize)
TextInputFormat继承了FileInputFormat，重写了getRecordReader方法，设定了读取数据的方式为逐行读取，每条记录是一行输入。键是LongWritable 类型，存储该行在整个文件中的字节偏移量。值是这行的内容，不包括任何行终止符（换行符和回车符）
2.MapTask过程
（1）Read阶段：通过TextInputFormat->RecordReader按inputSplit记录的文件位置逐行读取，以行字节偏移量作为k，一行内容为vaue，通过context封装，作为参数传入mapper方法中
（2）Map阶段：通过mapper方法中设置的逻辑方法对上一步产生的（k，v）做处理，生成新的（k，v）
（3)Collect阶段：在用户编写 map()函数中，当数据处理完成后，一般会调用 OutputCollector.collect()输出结果。在该函数内部，它会将生成的 key/value分区（调用 Partitioner），并写入一个环形内存缓冲区中。
4.Spill 阶段：即“溢写”，当环形缓冲区满后，MapReduce 会将数据写到本地磁盘上，生成一个临时文件。需要注意的是，将数据写入本地磁盘之前，先要对数据进行分区，再按键值进行排序。如果设置了combiner，则还需进行合并压缩。溢写会产生多个小文件
5.Combiner阶段：当所有数据处理完，溢出结束，对所有小文件进行合并。合并以分区为单位，并且保证分区内按key有序。这一步的结果保证了MapTask结束后生成了一个分区有序的大文件
3.Shuffle阶段
6.reducetask根据自己的分区号去各个maptask节点上拷贝相同分区的数据到本地磁盘工作目录上，如果不超过阈值，直接放到内存中，再进行合并为大文件，大文件按照key值有序排列
4.ReduceTask阶段
7.调用GroupingComparator方法对大文件里的数据进行按key分组，从文件中每次取出一组（k，values），调用自定义reduce方法进行逻辑处理
8.通过OutputFormat方法将结果数据写入part-r-0000文件中
5.YARN基本框架及主要功能
（1）ResourceManage
ResourceManager 是 YARN 中的全局资源管理器，相当于将集群中各个机器可用的资源看做一个整体，然后进行统一管理和分配，它会接收来自各个节点（NodeManager）的资源回报信息，并将这些信息按照一定的策略分配给应用程序。
ResourceManager 主要作用
- 处理客户端请求，Clinet 提交 Job，首先是由ResourceManager 来反馈。
- 监控 NodeManager，监控 NodeManager 心跳，发送指令给 NodeManager。
- 启动或监控 ApplicationMaster。
4.资源的分配和调度。
ResourceManager 核心组成：
1.Resource Scheduler（资源调度器），主要负责协调集群中各个应用的资源分配，保证整个集群的运行效率。Resouce Scheduler 只是一个纯调度器，只负责给用户提交的应用分配 Container（资源），它不会关注应用程序监控及其运行状态等信息，它不做监控以及应用程序的状态跟踪，并且不负责应用程序的容错，也就是说，当应用程序失败时，它不负责重启应用程序。
2.ApplicationManager（应用管理器），主要负责接收用户应用的提交请求，为应用程序分配第一Container 来运行ApplicationMaster还有就是负责监控ApplicationMaster，并在遇到失败时重启ApplicationMaster 运行的Container。ApplicationMaster 每一个程序都会有一个，运行在 Container 中，可以看做是每一个应用的管理者。
（2） NodeManager
NodeManager 运行在集群的节点上，这一点从前面安装分布式环境中可以看
出，一般 NodeManager 会与 DataNode 在同一个节点。NodeManager 在集群中会
有多个，负责管理每个节点上的资源。它主要负责接收来自 ResouceManager 的
资源分配请求，分配具体的 Container 给具体的任务，同时，它还负责监控并报
告 Container 使用信息给 ResouceManager。NodeManager 只负责管理自身节点上
的 Container，并不关心运行在 Container 上的任务的运行信息，任务的运行信息
由 ApplicationMaster 来管理。
NodeManager 主要作用：
➢ 管理单个节点上的资源
➢ 监控 Container 生命周期和使用的资源
➢ 处理来自 ResourceManager 的指令
➢ 处理来自 ApplicationMaster 的指令
在 NodeManager 注册到 ResourceManager 之后，它就会不间断的向
ResourceManager 发送心跳（heartbeat），如果 ResourceManager 有需要它执行
的指令，就作为响应发送给它。在 NodeManager 加载一个 Container 之前，它需
要本地化需要的资源，包括数据文件，可执行文件，shell script 等。这些 Resource
可能有能够在不同用户之间共享的资源，有能够在相同用户不同应用之间共享的
资源，以及只能够被这一个 Container 使用的资源。NodeManager 也可以在
ResourceManager 的指示下，杀掉 Container。当处于下面的几种场景中时，
NodeManager 就可能 Kill 掉一个 Container。 ➢ ResourceManager 告诉它，Application 已经完成了。
➢ Scheduler 决定抢占这个 Container，并将它分配给另一个 Application 或者
用户。
➢ NodeManager 检测到，这个 Container 使用的资源已经超过指定的资源限
制。
当一个 Container 完成时，NodeManager 会清除它在本地存储的数据。当一
个应用完成时，NodeManager 会删除全部跟它相关的 Container 的数据
（3） ApplicationMaster
ApplicationMaster 运行在 Container 中，它主要功能是向 ResourceManager
申请资源和 NodeManager 协同工作，运行应用的各个任务（比如 MapTask、
ReduceTask），然后跟踪它们状态及监控各个任务的执行，遇到失败的任务还负
责重启它。YARN 中运行的每个应用程序都有一个自己独立的 ApplicationMaster。
ApplicationMaster（AM）的主要作用：
➢ 负责数据的切分。比如 MapReduce 任务会根据 InputSplit 信息来进行数
据切分。
➢ 为应用程序申请资源，并进一步分配给内部任务。比如 MapReduce 任务，
主要是为 MapTask 和 ReduceTask 申请运行资源来运行 Task
➢ 内部任务的监控和容错。
➢ 负责协调来自 ResourceManager 的资源，并通过 NodeManager 监视任务
的执行和资源使用情况。
ApplicationMaster 启动后会和 ResourceManager 保 持 连 接 ， 定 期 向
ResourceManager 发送心跳（heartbeat），回报自己的健康信息。然后计算应用
（Application）需要的资源，然后跟 ResourceManager 沟通，让 ResourceManager
给它分配 Container，分配了 Container 后，ApplicationMaster 和 NodeManager 沟
通来加载 Container 运行任务
（4） 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。Container 是 YARN 框架的计算单元，是具体运行 Task
（如 MapTask、ReduceTask）的基本单位。Container 是一个动态资源分配单位，
将内存、CPU、磁盘、网络等资源封装在一起，限定了每个任务使用的资源量。
从上面的描述可以看出，Container 很像我们使用的虚拟机系统，就是在
NodeManager 节点机器上分配一块独立的空间来运行任务。
Container 与集群节点的关系：一个节点可以运行多个 Container，但是需要
明确的是 Container 不能跨多个机器。任何一个用户提交的应用拆分后的任务都
必须运行在一个或多个 Container 中。
6.yarn-job执行全过程
1.client向ApplicationManager发出提交job的请求
2.ApplicationManager返回一个JobID及job资源的提交路径
3.client将运行job所需要的jar包，配置信息，切片信息等资源上传到返回的HDFS路径中
4.上传成功后，client向ApplicationManager发出执行job的请求
5.ApplicationManager将请求提交给ResourceSchedule
6.ResourceSchedule将job放到调度队列，当执行到该job时，通ApplicationManager
7.ApplicationManage在一个相对空闲的namenode上开辟container,创建ApplicationMaster
8.ApplicationMaster下载client提交的资源到本地，根据inputsplit信息生成MapTask和ReduceTask并确定各自任务数
9.ApplicationMaster向ResourceSchedule申请运行多个MapTask任务的资源
10. ResourceSchedule 将运行 MapTask 任 务 分 配 给 空 闲 的 多 个NodeManager，NodeManager 分别领取任务并创建容器（Container）
11. ApplicationMaster向接收到任务的nodemanager发送开启MapTask任务指令，每个接收到任务的 NodeManager 启动 MapTask，MapTask 对数据进行处理，并分区排序。
12.MrAppMaster 等待所有 MapTask 运行完毕后，向 ResourceManager申请容器（Container），运行 ReduceTask。
13.程序运行完毕后，MrAppMaster 会向 ResourceManager 申请注销自己
