Hadoop日記Day1---Hadoop介紹

一、Hadoop專案簡介

1. Hadoop是什麼

Hadoop是一個適合大資料的分散式儲存與計算平臺。

作者：Doug Cutting；Lucene，Nutch。

受Google三篇論文的啟發

2. Hadoop核心專案

HDFS: Hadoop Distributed File System 分散式檔案系統

MapReduce：平行計算框架

3. Hadoop架構

3.1 HDFS架構

(1) 主從結構

•主節點，只有一個: namenode

•從節點，有很多個: datanodes

(2) namenode負責：管理

•接收使用者操作請求，可以實現對檔案系統的操作(一般的操作方式有兩種，命令列方式和Java API方式)

•維護檔案系統的目錄結構(用來對檔案進行分類管理)。

•管理檔案與block之間關係(檔案被劃分成了Block，Block屬於哪個檔案，以及Block的順序好比電影剪輯)，block與datanode之間關係。

(3) datanode負責：儲存

•儲存檔案

•檔案被分成block(block一般是以64M來劃分，但每個Block塊所佔用的空間是檔案實際的空間）儲存在磁碟上，將大資料劃分成相對較小的block塊，這樣可以充分利用磁碟空間，方便管理。

•為保證資料安全，檔案會有多個副本(就好比配鑰匙，都是為了預防丟失)，這些副本會一塊一塊複製，分別儲存在不同的DataNode上。

3.2 MapReduce架構

(1)主從結構

•主節點，只有一個: JobTracker

•從節點，有很多個: TaskTrackers

(2)JobTracker 負責：

•接收客戶提交的計算任務

•把計算任務分給TaskTrackers執行

•監控TaskTracker的執行情況

(3)TaskTrackers負責：

•執行JobTracker分配的計算任務

4. Hadoop的特點

(1) 擴容能力（Scalable）：能可靠地（reliably）儲存和處理千兆位元組（PB）資料。

(2) 成本低（Economical）：可以通過普通機器組成的伺服器群來分發以及處理資料。這些伺服器群總計可達數千個節點。

(3) 高效率（Efficient）：通過分發資料，hadoop可以在資料所在的節點上並行地處理它們，這使得處理非常的快速。

(4) 可靠性（Reliable）：hadoop能自動地維護資料的多份副本，並且在任務失敗後能自動地重新部署計算任務。

5. Hadoop叢集的物理分佈

如圖1.1

圖1 Hadoop叢集的物理分佈

這裡是一個由兩個機架組成的機群，圖中有兩種顏色綠色和黃色，不難看出黃色為主節點（Master），NameNode和JobTracker都獨佔一個伺服器，只有一個是唯一，綠色為從節點(Slave)有多個。而上面所說的JobTracker、NameNode，DataNode，TaskTracker本質都是Java程式，這些程式進行相互呼叫來實現各自的功能，而主節點與從節點一般執行在不同的java虛擬機器之中，那麼他們之間的通訊就是跨虛擬機器的通訊。

這些機群上放的都是伺服器，伺服器本質上就是物理硬體，伺服器是主節點還是從節點，主要看是跑的是什麼角色或程式，如果上面跑的是Tomcat他就是WEB伺服器，跑的是資料庫就是資料庫伺服器，所以當伺服器上跑的是NameNode或JobTracker是就是主節點，跑的是DataNode或TaskTracker就是從節點。

為了實現高速通訊，我們一般都使用區域網，在內網中可使用千兆網路卡、高頻交換機、光纖等。

6. Hadoop機群的單節點物理結構

圖2 Hadoop機群的單節點物理結構

二、Hadoop生態圈

1、Hadoop生態系統概況

Hadoop是一個能夠對大量資料進行分散式處理的軟體框架。具有可靠、高效、可伸縮的特點。Hadoop的核心是HDFS和Mapreduce，hadoop2.0還包括YARN。下圖為hadoop的生態系統：

 

 

圖 3 Hadoop生態圈

2、HDFS（Hadoop分散式檔案系統）

源自於Google的GFS論文，發表於2003年10月，HDFS是GFS克隆版。是Hadoop體系中資料儲存管理的基礎。它是一個高度容錯的系統，能檢測和應對硬體故障，用於在低成本的通用硬體上執行。HDFS簡化了檔案的一致性模型，通過流式資料訪問，提供高吞吐量應用程式資料訪問功能，適合帶有大型資料集的應用程式。

 

圖4

Client：切分檔案；訪問HDFS；與NameNode互動，獲取檔案位置資訊；與DataNode互動，讀取和寫入資料。

NameNode：Master節點，在hadoop1.X中只有一個，管理HDFS的名稱空間和資料塊對映資訊，配置副本策略，處理客戶端請求。

DataNode：Slave節點，儲存實際的資料，彙報儲存資訊給NameNode。

Secondary NameNode：輔助NameNode，分擔其工作量；定期合併fsimage和fsedits，推送給NameNode；緊急情況下，可輔助恢復NameNode，但Secondary NameNode並非NameNode的熱備。

3、Mapreduce（分散式計算框架）

     源自於google的MapReduce論文，發表於2004年12月，Hadoop MapReduce是google MapReduce 克隆版。MapReduce是一種分散式計算模型，用以進行大資料量的計算。其中Map，對資料集上的獨立元素進行指定的操作，生成鍵-值對形式中間結果。Reduce，則對中間結果中相同“鍵”的所有“值”進行規約，以得到最終結果。MapReduce這樣的功能劃分，非常適合在大量計算機組成的分散式並行環境裡進行資料處理。

 

JobTracker：Master節點，只有一個，管理所有作業，作業/任務的監控、錯誤處理等；將任務分解成一系列任務，並分派給TaskTracker。

TaskTracker：Slave節點，執行Map Task和Reduce Task；並與JobTracker互動，彙報任務狀態。

Map Task：解析每條資料記錄，傳遞給使用者編寫的map(),並執行，將輸出結果寫入本地磁碟(如果為map-only作業，直接寫入HDFS)。

Reducer Task：從Map Task的執行結果中，遠端讀取輸入資料，對資料進行排序，將資料按照分組傳遞給使用者編寫的reduce函式執行。

---

Mapreduce處理流程，以wordCount為例：

4、Hive（基於Hadoop的資料倉儲）

     由facebook開源，最初用於解決海量結構化的日誌資料統計問題。Hive定義了一種類似SQL的查詢語言(HQL), 將SQL轉化為MapReduce任務在Hadoop上執行。通常用於離線分析。

5、Hbase（分散式列存資料庫）

      源自Google的Bigtable論文，發表於2006年11月，HBase是Google Bigtable克隆版。HBase是一個針對結構化資料的可伸縮、高可靠、高效能、分散式和麵向列的動態模式資料庫。 和傳統關聯式資料庫不同，HBase採用了BigTable的資料模型：增強的稀疏排序對映表（Key/Value），其中，鍵由行關鍵字、列關鍵字和時間 戳構成。HBase提供了對大規模資料的隨機、實時讀寫訪問，同時，HBase中儲存的資料可以使用MapReduce來處理，它將資料儲存和平行計算完 美地結合在一起。

資料模型：Schema-->Table-->Column Family-->Column-->RowKey-->TimeStamp-->Value

6、Zookeeper（分散式協作服務）

        源自Google的Chubby論文，發表於2006年11月，Zookeeper是Chubby克隆版。解決分布式環境下的資料管理問題：統一命名，狀態同步，叢集管理，配置同步等。

7、Sqoop（資料同步工具）

       Sqoop是SQL-to-Hadoop的縮寫，主要用於傳統資料庫和Hadoop之前傳輸資料。資料的匯入和匯出本質上是Mapreduce程式，充分利用了MR的並行化和容錯性。

8、Pig（基於Hadoop的資料流系統）

      由yahoo!開源，設計動機是提供一種基於MapReduce的ad-hoc(計算在query時發生)資料分析工具，定義了一種資料流語言—Pig Latin，將指令碼轉換為MapReduce任務在Hadoop上執行。通常用於進行離線分析。

9、Mahout（資料探勘演算法庫）

       Mahout起源於2008年，最初是Apache Lucent的子專案，它在極短的時間內取得了長足的發展，現在是Apache的頂級專案。Mahout 的主要目標是建立一些可擴充套件的機器學習領域經典演算法的實現，旨在幫助開發人員更加方便快捷地建立智慧應用程式。Mahout現在已經包含了聚類、分類、推 薦引擎（協同過濾）和頻繁集挖掘等廣泛使用的資料探勘方法。除了演算法，Mahout還包含資料的輸入/輸出工具、與其他儲存系統（如資料庫、 MongoDB 或Cassandra）整合等資料探勘支援架構。

10、Flume（日誌收集工具）

       Cloudera開源的日誌收集系統，具有分散式、高可靠、高容錯、易於定製和擴充套件的特點。它將資料從產生、傳輸、處理並最終寫入目標的路徑的過程抽象為資料流，在具體的資料流中，資料來源支援在Flume中定製資料傳送方，從而支援收集各種不同協 議資料。同時，Flume資料流提供對日誌資料進行簡單處理的能力，如過濾、格式轉換等。此外，Flume還具有能夠將日誌寫往各種資料目標（可定製）的能力。總的來說，Flume是一個可擴充套件、適合複雜環境的海量日誌收集系統。

三、使用eclipse檢視hadoop原始碼

• Hadoop原始碼放在hadoop目錄中的SRC中；
• 將其匯入到Eclipse；
• 匯入jar包（ant中的lib目錄，hadoop目錄，hadoop lib目錄）

詳見：http://pan.baidu.com/s/1eQCcdcm

注本文部分摘錄自：http://blog.csdn.net/woshiwanxin102213/article/details/19688393