Hadoop生态系统
一、概述
Hadoop是一套为处理大数据而生的生态系统，采用分布式架构，组件众多，每个组件之间耦合度很低，都可以独立的使用或是基于非hadoop生态系统组件使用，但组合使用可以达到更好的效果，其核心组件为HDFS，Yarn，Mapreduce，HBase。
1. HDFS：
H即Hadoop，DFS即分布式文件系统，分布式文件系统是大数据处理的核心。与传统意义上驱动级别文件系统（如FAT32，NTFS）不同，HDFS整套文件系统由Java编写，规定并实现了文件的读写，即文件依然存储于传统文件系统之上，但交由HDFS管理。
HDFS是冗余存储的，具有高容错性，高可靠，适合存储超大文件，并适合在价格低廉的服务器上部署。
HDFS采用块式存储，并在内存中记录块的索引，通常情况下每个文件最少为一个块。2.0+版本后默认每个块为128M（可在配置文件中修改），并将块冗余复制多份（默认为3份，可在配置文件或使用命令修改），例如:存储一个150M的文件，将分为两个块，在实际存储不足128M的块不会占用多余的本地硬盘空间，其中一个为128M，另一个为22M，并复制3份，一共6个块，在集群环境下，会分别存储到不同服务器中。这样带来的好处是：1.可以同时从多台服务器进行读写，极大的提高读取速度，即使使用廉价硬盘，也可以很容易的达到上百MB/S，但是在单网口千兆交换机情况下，最大提供只有1000/8=125MB/s的速度，所以通常情况下，HDFS的瓶颈在带宽上。2.高可用，在实际生产环境下，服务器宕机可以说是常态，HDFS可以保证在一台甚至多台服务器宕机的情况下，数据依然是有效的。块式存储带来的缺点是，不适用于存储大量小文件，由于每个块映射到的内存大小是固定的，不足128M的块也会在内存中映射一个块，存储大量的小文件，虽然不会占用多余的硬盘空间，但是很容易造成内存的大量使用，甚至溢出。
HDFS核心组件主要包括NameNode ，DataNode。
NameNode中不存储数据，负责管理数据索引，随着文件数量增多消耗的内存逐渐增大，是所有文件操作接口的提供者。在2.0+提供了高可用（HA），通过部署两台NameNode，在其中一台工作（Action状态）时，另外一台（SecondaryNamenode）始终等待（Standby状态），两台NameNode上都会创建DFSZKFailoverController进程，通过Zookeeper同步数据索引状态等，可以认为两台NameNode上的内容是完全一直的，当Action状态的NaneNode发生异常或宕机时，可以自动的切换到 SecondaryNamenode工作。
DateNode用于数据存储，不会消耗很多内存，被NameNode管理。
2. Mapreduce：
Mapreduce是一种分布式并行计算模型，通常使用于HDFS之上：简单的来说，就是对于一个计算量巨大的任务，分割到多台服务器上并行的计算，再将结果统计合并。
使用Mapreduce分布式计算可以极大的利用多台服务器进行并行计算，但是相对的来说，维护数据一致性，以及网络传输中的异常处理，会有相当大的计算开销和网络开销，很容易达到网络带宽的瓶颈，因此Mapreduce本身的机制造成了实时性很差，不适用于在线处理，但是十分适合离线处理超大数据，并可以在很大程度上保证计算结果的可靠性。
在一个Mapreduce过程中，首先，将海量数据大文件进行分割，对于每一个分割块，将进入Map阶段，以 “Key-Value对” 的形式传入Map 函数，然后Map函数对这些键值对进行处理，并写入到中间结果,在所有的Map函数完成后，Mapreduce会将相同 Key合并并排序，并根据Partitioner组件（可自定义），转发到相应的Reduce函数中，再由Reduce函数完成合并任务，输出结果。
3. Yarn：资源管理器，详细内容待补充。
4.HBase：HBase是一个非关系型列式数据库，
HBase结构：
在HBase提供的Shell命令行中，使用scan命令获得表数据如下：
rowkey column
20160504000193 column=dvb:lid, timestamp=1462377516000, value=1
20160504000193 column=dvb:pn, timestamp=1462377516000, value=2
20160504000193 column=dvb:ucioid, timestamp=1462377516000, value=0
20160504000193 column=dvb:wl, timestamp=1462377516000, value=277
20160505000193 column=dvb:lid, timestamp=1462438343000, value=3
20160505000193 column=dvb:pn, timestamp=1462438343000, value=4
20160505000193 column=dvb:ucioid, timestamp=1462438343000, value=0
20160505000193 column=dvb:wl, timestamp=1462438343000, value=31
RowKey：表中每条记录的“主键”，由于HBase在文件系统的存储方式，决定使用RowKey查找是极为高效率的，因此，HBase的查找效率很大程度上取决于RowKey的设计
Column Family：列族，拥有一个名称，包含一个或者多个相关列，对于列族的划分，可将不经常修改与经常修改的数据划分到不同的列族
Column：属于某一个Column Family，familyName:columnName,可理解为列名,在HBase存储中， Column Family ： Column这样的格式存在于所有字段当中，所以，在实际情况下，这两个字段名尽量简短，以节省存储空间
Timestamp：类型为Long，默认值是系统时间戳，可由用户自定义
Value：该列对应的值
除了以上结构，还有Version，如果设置了最大Version不为N，N不为0，那么Hbase将根据时间戳保留修改之前的近N次数据，对于不同Version， Column Family， Column都可以是不相同的
HBase提供了和HDFS类似的保证高可用方式，使用Zookeeper同步HMaster状态，当正在工作的HMaster异常后，另一个HMaster会自动的开始工作。二、常用配置文件
1.hadoop:
hadoop配置文件位于hadoop路径下的etc/hadoop/路径当中
（1）core-site.xml
fs.defaultFS
hdfs://masters
<!--指定hadoop数据临时存放目录-->
<property>
<name>hadoop.tmp.dir</name>
<value>/home/tvbz/hadoop/hdfs/temp</value>
</property>
<!--指定hadoop IO 缓存大小，一般为4096，可适量增大-->
<property>
<name>io.file.buffer.size</name>
<value>4096</value>
</property>
<!--指定zookeeper集群地址-->
<property>
<name>ha.zookeeper.quorum</name>
<value>master10:2182,master14:2182,master15:2182</value>
</property>
</configuration>
（2）hadoop-env.sh
在该配置文件需要配置java环境，及运行时JVM参数
（3）hdfs-stie.xml
<configuration>
<!--指定hdfs的nameservice为masters，需要和core-site.xml中的保持一致 -->
<property>
<name>dfs.nameservices</name>
<value>masters</value>
</property>
<!-- 指定nameservice下面有两个NameNode，分别是master1，master2 -->
<property>
<name>dfs.ha.namenodes.masters</name>
<value>master1,master2</value>
</property>
<!-- namenode1的RPC通信地址，端口号通常为9000 -->
<property>
<name>dfs.namenode.rpc-address.masters.master5</name>
<value>master1:9000</value>
</property>
<!-- namenode1的http通信地址，Hdfs启动后，可在web中查看 -->
<property>
<name>dfs.namenode.http-address.masters.master5</name>
<value>master1:50070</value>
</property>
<!-- nn2的RPC通信地址 -->
<property>
<name>dfs.namenode.rpc-address.masters.master6</name>
<value>master6:9000</value>
</property>
<!-- nn2的http通信地址 -->
<property>
<name>dfs.namenode.http-address.masters.master6</name>
<value>master6:50070</value>
</property>
<!-- 指定NameNode的元数据在JournalNode上的存放位置 -->
<property>
<name>dfs.namenode.shared.edits.dir</name>qjournal://master5:8485;master6:8485;master7:8485/masters
dfs.journalnode.edits.dir
/home/tvbz/hadoop/journal
dfs.ha.automatic-failover.enabled
true
dfs.client.failover.proxy.provider.masters
org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider
dfs.ha.fencing.methods
sshfence
dfs.ha.fencing.ssh.private-key-files
/root/.ssh/id_rsa
<!-- NameNode 数据路径 -->
<property>
<name>dfs.namenode.name.dir</name>
<value>file:///home/tvbz/hadoop/hdfs/name</value>
</property>
<!-- DataNode 数据路径 -->
<property>
<name>dfs.datanode.data.dir</name>
<value>file:///home/tvbz/hadoop/hdfs/data</value>
</property>
<!-- 对每个文件冗余存储的数量 -->
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
<!-- 在NN和DN上开启WebHDFS (REST API)功能,不是必须 -->
<property>
<name>dfs.webhdfs.enabled</name>
<value>true</value>
</property>
</configuration>
（4）slaves
在该配置文件中，加入所有的datanode节点名称
master3
master4
master5
master6
master7
（5）yarn-env.sh:
在该配置文件需要配置java环境，及运行时JVM参数
（6）yarn-site.xml:
<configuration>
<!-- 开启resourcemanager 高可靠 -->
<property>
<name>yarn.resourcemanager.ha.enabled</name>
<value>true</value>
</property>
<!-- 指定resourcemanager 的集群 id ，该id可自主命名-->
<property>
<name>yarn.resourcemanager.cluster-id</name>
<value>RM_HA_ID</value>
</property>
<!-- 指定resourcemanager 高可用下的两个结点名称-->
<property>
<name>yarn.resourcemanager.ha.rm-ids</name>
<value>rm1,rm2</value>
</property>
<!-- 分别指定RM的地址 -->
<property>
<name>yarn.resourcemanager.hostname.rm1</name>
<value>master3</value>
</property>
<property>
<name>yarn.resourcemanager.hostname.rm2</name>
<value>master4</value>
</property>
<property>
<name>yarn.resourcemanager.recovery.enabled</name>
<value>true</value>
</property>
<property>
<name>yarn.resourcemanager.store.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value>
</property>
<!-- 指定zk集群地址 -->
<property>
<name>yarn.resourcemanager.zk-address</name>
<value>master10:2182,master14:2182,master15:2182</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
2.hbase:
hbase配置文件位于hbase路径下的conf/路径当中
（1）core-site.xml:
<configuration>
<!-- 指定hdfs的nameservice为masters ，对于hbase来说，需要使用hdfs的客户端，该配置需要和hdfs中配置的nameservice保持一致-->
<property>
<name>fs.defaultFS</name>
<value>hdfs://masters</value>
</property>
<!--指定hadoop数据临时存放目录-->
<property>
<name>hadoop.tmp.dir</name>
<value>/home/tvbz/hadoop/hdfs/temp</value>
</property>
<property>
<name>io.file.buffer.size</name>
<value>4096</value>
</property>
<!--指定zookeeper集群地址-->
<property>
<name>ha.zookeeper.quorum</name>
<value>master10:2182,master14:2182,master15:2182</value>
</property>
</configuration>
（2）hbase-env.sh:
在该配置文件需要配置java环境，及运行时JVM参数
（3）slaves
在该配置文件中，加入所有的regionservers节点名称
master3
master4
master5
master6
master7
如果使用HA部署方式，需要将hdfs配置文件的core-site.xml和hdfs-site.xml拷贝到hbase配置文件路径中，否则，hbase无法识别hdfs nameservice三、部署方式
首先要分配好Hadoop服务器集群任务，例如：
master1 : Namenode(hdfs) HMaster(hbase)
master2 : Namenode(hdfs) HMaster(hbase)
master3 : Datanode(hdfs) HRegionServer(hbase) resourceManager(hdfs)
master4 : Datanode(hdfs) HRegionServer(hbase) resourceManager(hdfs)
master5 : Datanode(hdfs) HRegionServer(hbase) zookeeper JournalNode(hdfs)
master6 : Datanode(hdfs) HRegionServer(hbase) zookeeper JournalNode(hdfs)
master7 : Datanode(hdfs) HRegionServer(hbase) zookeeper JournalNode(hdfs)
1.准备工作：
（1）.安装zookeeper并启动
（2）.关闭所有服务器上系统自带的防火墙
（3）.配置所有服务器之间ssh免密登陆
4.在其中一台服务器解压缩hadoop & hbase
5.替换配置文件，hadoop_conf 替换hadoop中的etc/conf, hbase_conf 替换 hbase中的conf
6.将替换后的hadoop和hbase复制到其他服务器的相同目录上
2.Hadoop部署：
1.start zookeeper
2.start journalnode at master5 6 7
sbin/hadoop-daemon.sh start journalnode
3.format hdfs namenode
master1 : bin/hadoop namenode -format
4.start namenode1
master1 : sbin/hadoop-daemon.sh start namenode
5.sync namenode2
master2: bin/hdfs namenode -bootstrapStandby
6.format zk:
bin/hdfs zkfc -formatZK
7.start dfs
sbin/start-dfs.sh
8.start yarn namenode1 namenode2:
sbin/start-yarn.sh
9.resourcemanager 1 2:
sbin/yarn-daemon.sh start resourcemanager
2.HBase部署：
在Hbase部署前，确保Hadoop以及Zookeeper已经部署完毕，且可用
分别在master1和master2上执行:
bin/start-hbase.sh
