深入理解Hadoop读书笔记-1

背景

公司的物流业务系统目前实现了使用storm集群进行过门事件的实时计算处理，但是还有一个需求，我们需要存储每个标签上传的每条明细数据，然后进行定期的标签报表统计，这个是目前的实时计算框架无法满足的，需要考虑离线存储和计算引擎。

标签的数据量是巨大的，此时存储在mysql中是不合适的，所以我们考虑了分布式存储系统HDFS。目前考虑的架构是，把每条明细数据存储到HDFS中，利用Hive或者其他类SQL的解析引擎，定期进行离线统计计算。

查找相关资料后，我下载了深入理解Haddoop这本书，从大数据的一些基础原理开始调研，这一系列的笔记就是调研笔记。

深入理解Hadoop

1. 大数据的核心处理思想

   • 数据分布在多个节点并行处理
     • 提高处理速度
     • 同一个数据在不同节点有多份拷贝可以保持容错
   • 计算程序尽量靠近数据
   • 数据的处理尽量在本地完成
   • 顺序IO代替随机IO

2. MapReduce的编程模型

   假设有海量的文档需要统计词频

   • 每个mapper处理一个输入文件，逐行处理数据，生成键值对
   • 排序键值对，根据reducer的个数，分发<key,lisy<值>>到不同的reducer处理（确保相同的key可以被分到同一个子集）
   • reducer任务合并多个相同key中的list<值>数据，输出键值对，最后合并到文件

3. Hadoop1.X系统（守护进程）构成

   • NameNode：维护存储在HDFS上的所有文件的元数据信息，包括：数据块信息和数据块在节点的位置

   • Secondary NameNode：内务处理功能

   • Data Node：负责把真正的数据块存储在本地硬盘上

   • Job Tracker：调度子任务/监控任务和节点/失败子任务的重新调度

   • Task Tracker：运行在数据节点上，负责子任务的启动和管理

     还可以按照主从节点来分类：

   • 主节点

     • NN SN JT

   • 从节点

     • DN TT

4. HDFS分布式文件系统为什么适合存储大文件而不适合存储大量的小文件？

   HDFS中文件会被分成多个数据块，每个数据块默认有三个备份，NN默认把信息保存在本地磁盘中，为了加快访问，会存储在内存中。假设有1G的一个文件和1000个1MB的文件，数据块默认大小为64MB，总数据块的数量为 1024/64 * 3 = 48块 和 1000 * 3 = 3000块的差距。（同一个文件可以存储在同一个数据块在中，不同文件不能存储在同一个数据块）

5. 辅助名称节点的工作原理（待完成）

6. HDFS的写入过程你能简单说说吗?

   1. 客户端需要像NN请求写入，NN会检查是否有权限

   2. 客户端接收到允许写入后，开始准备数据，当数据大小为一个块时，会调用NN请求数据节点信息

   3. NN创建文件，并生成块id，同时把数据节点相关的连接信息返回给客户端

   4. 客户端开始和节点1通信，等待节点1回复ACK

   5. 节点1存储数据，同时会与节点二通信，等待节点2返回ACK

   6. 节点3存储数据后，直接返回ACK

      

7. 写入过程中存在哪些异常情况？

   • 写入错误-成功备份的块数量小于设置的数量

     当集群数量较小时，比如只有四台机器，如果默认开启三个数据块备份，那么当数据管道中有DN失败时，会去找其他健康的DN进行备份，假如两台DN都有问题，那么就无法满足最小3个数据块的备份需求。可以修改一个参数： dfs.client.block.write.replace-datanode-on-failure.enable 设置为false，表示如果在写入的pipeline有datanode失败的时候是否要切换到新的机器，默认为true。

   • 待添加..

8. HDFS读文件机制

   1. 客户端请求NN读取文件

   2. NN返回文件的元数据信息

   3. 客户端直接访问对应数据节点获取数据块即可

   

9. 简单说说 任务跟踪器和作业跟踪器的工作原理，各自负责什么？

   作业跟踪器负责接收客户端提交的任务，从名称节点获取输入文件的数据块信息，并采取数据就近原则把任务分配到 数据节点的任务跟踪器上。同时监控任务跟踪器的执行情况，在任务跟踪器节点故障时分配任务到其他的任务跟踪器节点。

   任务跟踪器负责实际执行任务，并且定时汇报心跳信息给作业跟踪器。

10. Hadoop2.0中的Yarn都有什么组件？负责做什么？

    • 全局资源管理器：负责全局的资源调度
    • 节点管理器：负责具体节点的资源监控和资源分配
    • 应用程序管理器：每种应用有不同的应用程序管理器，负责分析任务数量，向全局资源管理器申请资源，监控任务运行情况，重新调度任务。
    • 容器：cpu和内存的抽象，任务和应用程序管理器都需要运行在容器中。

11. Yarn提交任务的执行流程

    1. 客户端提交作业
    2. 全局资源管理器判断作业的类型，通过节点管理器给应用程序管理器分配容器
    3. 应用程序管理器运行在容器中，同时像全局资源管理器注册自己，申请任务资源
    4. 全局资源管理器确定资源后，通过节点管理器分配任务所需容器
    5. 运行在容器中的任务，通过应用特定的协议像应用程序管理器上报状态