大数据Hadoop相关基本概念

大数据特征（5V）

• Velocity（快速的数据流转）
• Veracity（精准可信赖的大数据）
• Variety（多样的数据类型）
• Volume（海量的数据规模）
• Value（数据价值密度相对较低）

大数据架构

HDFS服务功能

• NameNode
  NameNode是主节点，存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副文本、文件权限），以及每个文件的块列表和块所在DataNode等。

  • NameNode是一个中心服务器，单一节点（简化系统的设计和实现），负责管理文件系统的名字空间（namespace）以及客户端对文件的访问。
  • NameNode负责文件元数据的操作，跟文件内容相关的数据流不经过NameNode，NameNode只会询问它跟哪个DataNode联系，否则NameNode会成为系统的瓶颈。
  • 副本存放在哪些DataNode上由NameNode来控制，根据全局情况作出块放置决定，读取文件时NameNode尽量让用户先读取距离最近的副本，降低带块消耗和读取时延。
  • NameNode全权管理数据块的复制，它周期性地从集群中的每个DataNode接收心跳信号和块状态报告（Blockreport）。接收到心跳信号意味着该DataNode节点工作正常。块状态报告包含了一个DataNode上所有数据块列表。

• DataNode
  DataNode负责处理文件内容的读写请求。DataNode在本地文件系统存储文件快数据，以及块数据的校验和。

  • 一个数据块在DataNode中以文件的形式存储在磁盘上，包括两个文件。一个是数据本身，另一个是元数据（包括数据块的长度、块数据的校验和以及时间戳）。
  • DataNode启动后向NameNode注册，通过后周期性（1h）地向NameNode上报所有的块信息。
  • 心跳是每3s一次，心跳返回结果带有NameNode给该DataNode的命令。如复制块数据到另一台机器或者删除某个数据块。如果超过10min没有收到某个DataNode的心跳，则认为该节点不可用。
  • 集群运行中可以安全加入和退出一些机器。

• Secondary NameNode
  Secondary NameNode是用来监控HDFS状态的辅助后台程序，它每隔一段时间获取HDFS元数据的快照（心跳机制）。

• 文件

  • 文件切分成块（默认大小128M），以块为单位，每个块有多个副本存储在不同的机器上，副本数可在文件生成时指定（默认：3）。
  • NameNode是主节点，存储文件的元数据。如文件名、文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等等。
  • 文件可以被创建、删除、移动或重命名，当文件被创建、写入或关闭之后不能修改文件内容。

Hadoop YARN

介绍

1. YARN总体上仍然是Master/Slave结构，在整个资源管理框架中，ResourceManager为Master，NodeManager为Slave。
2. ResourceManager负责对各个NodeManager上的资源进行统一管理和调度。
3. 当用户提交一个应用程序时，需要提供一个用以跟踪和管理这个程序的ApplicationMaster。它负责向ResourceManager申请资源，并要求NodeManager启动时可以占用一定资源的任务。
4. 由于不同的ApplicationMaster被分布到不同的节点上，因此它们之间不会相互影响。

• ResourceManager
  全局的资源管理器，整个集群中只有一个，负责集群资源的统一管理和调度分配。
  • 处理客户端请求
  • 启动/监控ApplicationMaster
  • 监控NodeManager
  • 资源分配与调度
• ApplicationMaster
  管理一个在YARN内运行的应用程序的每个实例，负责协调来自ResourceManager的资源，开通NodeManager监视容器的执行和资源使用（CPU、内存等的资源分配）。
  • 数据切分
  • 为应用程序申请资源，并分配给内部任务
  • 任务监控与容错
• NodeManager
  整个集群中有多个NodeManager，负责单节点资源管理和使用。
  NodeManager管理抽象容器，这些容器代表着可供一个特定应用程序使用的针对每个节点的资源。
  定时地向ResourceManager汇报本节点上的资源使用情况和各个Container的运行状态。
  • 单个节点上的资源管理
  • 处理来自ResourceManager的命令
  • 处理来自ApplicationMaster的命令
• Container
  YARN中的资源抽象，封装某个节点上的多维资源。如内存、CPU、磁盘、网络等。当ApplicationMaster向ResourceManager申请资源时，ResourceManager向ApplicationMaster返回的资源便是用Container表示的。
  YARN会为每个任务分配一个Container，且该任务只能使用该Container中描述的资源。
  • 对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

总结

• 资源调度和资源隔离是YARN作为一个资源管理系统，最重要和最基础的两个功能。资源调度由ResourceManager完成，而资源隔离由各个NodeManager实现。
• ResourceManager将某个Nodemanager上资源分配给任务（即“资源调度”）后，NodeManager需按照要求为任务提供相应的资源，甚至保证这些资源应具有独占性，为任务运行提供基础的保障，即“资源隔离”。
• 资源通常指内存、CPU和IO这三种资源。Hadoop YARN同时支持内存和CPU两种资源的调度。
• 内存资源的多少会决定任务的生死，如果内存不够，任务可能会运行失败。相比之下，CPU资源则不同，它只决定任务运行的快慢，不会对任务的生死产生影响。

MapReduce

• 将计算过程分为两个阶段：Map和Reduce
  • Map阶段并行处理输入数据
  • Reduce阶段对Map结果进行汇总
• Shuffle连接Map和Reduce两个阶段
  • Map Task将数据写到本地磁盘
  • Reduce Task从每个Map Task上读取一份数据
• 仅适合离线批处理
  • 具有很好的容错性和扩展性
  • 适合简单的批处理任务
• 缺点明显
  • 启动开销大，过多使用磁盘导致效率低下等