• 阅读: 879 回复: 0
    塔崽

    菜鸟的Hadoop快速入门

    楼主 发表于 2019-08-15 11:32:37

    一、相关概念

    1、大数据

    大数据是一门概念,也是一门技术,是以Hadoop为代表的大数据平台框架上进行各种数据分析的技术。

    大数据包括了以Hadoop和Spark为代表的基础大数据框架,还包括实时数据处理,离线数据处理,数据分析,数据挖掘和用机器算法进行预测分析等技术。

    2、Hadoop

    Hadoop是一个开源的大数据框架,是一个分布式计算的解决方案。

    Hadoop的两个核心解决了数据存储问题(HDFS分布式文件系统)和分布式计算问题(MapRe-duce)。

    举例1:用户想要获取某个路径的数据,数据存放在很多的机器上,作为用户不用考虑在哪台机器上,HD-FS自动搞定。

    举例2:如果一个100p的文件,希望过滤出含有Hadoop字符串的行。这种场景下,HDFS分布式存储,突破了服务器硬盘大小的限制,解决了单台机器无法存储大文件的问题,同时MapReduce分布式计算可以将大数据量的作业先分片计算,最后汇总输出。

    二、Hadoop特点

    优点

    1、支持超大文件。HDFS存储的文件可以支持TB和PB级别的数据。

    2、检测和快速应对硬件故障。数据备份机制,NameNode通过心跳机制来检测DataNode是否还存在。

    3、高扩展性。可建构在廉价机上,实现线性(横向)扩展,当集群增加新节点之后,NameNode也可以感知,将数据分发和备份到相应的节点上。

    4、成熟的生态圈。借助开源的力量,围绕Hadoop衍生的一些小工具。

    缺点

    1、不能做到低延迟。高数据吞吐量做了优化,牺牲了获取数据的延迟。

    2、不适合大量的小文件存储。

    3、文件修改效率低。HDFS适合一次写入,多次读取的场景。

    三、HDFS介绍

    1、HDFS框架分析

    HDFS是Master和Slave的主从结构。主要由Name-Node、Secondary NameNode、DataNode构成。

     

    NameNode

    管理HDFS的名称空间和数据块映射信存储元数据与文件到数据块映射的地方。

    如果NameNode挂掉了,文件就会无法重组,怎么办?有哪些容错机制?

    Hadoop可以配置成HA即高可用集群,集群中有两个NameNode节点,一台active主节点,另一台stan-dby备用节点,两者数据时刻保持一致。当主节点不可用时,备用节点马上自动切换,用户感知不到,避免了NameNode的单点问题。

    Secondary NameNode

    辅助NameNode,分担NameNode工作,紧急情况下可辅助恢复NameNode。

    DataNode

    Slave节点,实际存储数据、执行数据块的读写并汇报存储信息给NameNode。

    2、HDFS文件读写

    文件按照数据块的方式进行存储在DataNode上,数据块是抽象块,作为存储和传输单元,而并非整个文件。

    文件为什么要按照块来存储呢?

    首先屏蔽了文件的概念,简化存储系统的设计,比如100T的文件大于磁盘的存储,需要把文件分成多个数据块进而存储到多个磁盘;为了保证数据的安全,需要备份的,而数据块非常适用于数据的备份,进而提升数据的容错能力和可用性。

    数据块大小设置如何考虑?

    文件数据块大小如果太小,一般的文件也就会被分成多个数据块,那么在访问的时候也就要访问多个数据块地址,这样效率不高,同时也会对NameNode的内存消耗比较严重;数据块设置得太大的话,对并行的支持就不太好了,同时系统如果重启需要加载数据,数据块越大,系统恢复就会越长。

    3.2.1 HDFS文件读流程

    1、向NameNode通信查询元数据(block所在的DataNode节点),找到文件块所在的DataNode服务器。

    2、挑选一台DataNode(就近原则,然后随机)服务器,请求建立socket流。

    3、DataNode开始发送数据(从磁盘里面读取数据放入流,以packet为单位来做校验)。

    4、客户端已packet为单位接收,现在本地缓存,然后写入目标文件,后面的block块就相当于是append到前面的block块最后合成最终需要的文件。

    3.2.2 HDFS文件写流程

    1、向NameNode通信请求上传文件,NameNode检查目标文件是否已存在,父目录是否存在。

    2、NameNode返回确认可以上传。

    3、client会先对文件进行切分,比如一个block块128m,文件有300m就会被切分成3个块,一个128m、一个128m、一个44m。请求第一个block该传输到哪些DataNode服务器上。

    4、NameNode返回DataNode的服务器。

    5、client请求一台DataNode上传数据,第一个DataNode收到请求会继续调用第二个DataNode,然后第二个调用第三个DataNode,将整个通道建立完成,逐级返回客户端。

    6、client开始往A上传第一个block,当然在写入的时候DataNode会进行数据校验,第一台DataNode收到后就会传给第二台,第二台传给第三台。

    7、当一个block传输完成之后,client再次请求NameNode上传第二个block的服务器。

    四、MapReduce介绍

    1、概念

    MapReduce是一种编程模型,是一种编程方法,是抽象的理论,采用了分而治之的思想。MapReduce框架的核心步骤主要分两部分,分别是Map和Reduce。每个文件分片由单独的机器去处理,这就是Map的方法,将各个机器计算的结果汇总并得到最终的结果,这就是Reduce的方法。

    2、工作流程

    向MapReduce框架提交一个计算作业时,它会首先把计算作业拆分成若干个Map任务,然后分配到不同的节点上去执行,每一个Map任务处理输入数据中的一部分,当Map任务完成后,它会生成一些中间文件,这些中间文件将会作为Reduce任务的输入数据。Reduce任务的主要目标就是把前面若干个Map的输出汇总到一起并输出。

    3、运行MapReduce示例

    运行Hadoop自带的MapReduce经典示例Word-count,统计文本中出现的单词及其次数。首先将任务提交到Hadoop框架上。

    查看MapReduce运行结束后的输出文件目录及结果内容。

    可以看到统计单词出现的次数结果

    五、Hadoop安装

    墙裂推荐:史上最详细的Hadoop环境搭建(https://blog.csdn.net/hliq5399/article/details/78193113)

    1、Hadoop部署模式

    本地模式

    伪分布式模式

    完全分布式模式

    以上部署模式区分的依据是NameNode、Data-Node、ResourceManager、NodeManager等模块运行在几个JVM进程、几个机器上。

    2、安装步骤(以伪分布式模式为例)

    学习Hadoop一般是在伪分布式模式下进行。这种模式是在一台机器上各个进程上运行Hadoop的各个模块,伪分布式的意思是虽然各个模块是在各个进程上分开运行的,但是只是运行在一个操作系统上的,并不是真正的分布式。

    5.2.1 JDK包下载、解压安装及JAVA环境变量配置

    exportJAVA_HOME=/home/admin/apps/jdk1.8.0_151

    exportCLASSPATH=.:JAVAHOME/lib/dt.jar:JAVAHOME/lib/dt.jar:JAVA_HOME/lib/tools.jar

    exportPATH=JAVAHOME/bin:JAVAHOME/bin:PATH

    5.2.2 Hadoop包下载、解压安装及Hadoop环境变量配置

    exportHADOOP_HOME="/zmq/modules/hadoop/hadoop-3.1.0"

    exportPATH=HADOOPHOME/bin:HADOOPHOME/bin:HADOOP_HOME/sbin:$PATH

    5.2.3 配置Hadoop-env.sh、mapred-env.sh、yarn-env.sh文件的JAVA_HOME参数

    exportJAVA_HOME="/home/admin/apps/jdk1.8.0_151"

    5.2.4 配置core-site.xml,配置的是HDFS的地址和Hadoop临时目录

    5.2.5 配置hdfs-site.xml,设置HDFS存储时的备份数量,这里是伪分布式部署,就填写1

    5.2.6 格式化HDFS,启动NameNode、Data-Node、SecondaryNameNode,查看进程

    5.2.7 搭建完成,操作HDFS(常用的新建目录、上传下载文件等),以及运行MapReduceJob

    六、Hadoop更多

    以上介绍的仅是对Hadoop的初步学习和使用,Ha-doop的HA完全分布式部署、Hadoop的资源调度YARN、Hadoop的高可用和容错机制、Hadoop生态圈的其他组件等等还没有去研究,感叹Hadoop水很深,哈哈。

    作者简介:梦琴,两年+测试经验,当前主要负责内部平台产品的测试及部分外部交付项目测试。

     

热门文章

一篇搞懂TCP、HTTP、Socket、Socket连接池

澜学院|Mock工具wiremock-py

Giraph源码分析(七)—— 添加消息统计功能

Giraph源码分析(八)—— 统计每个SuperStep中参与计算的顶点数目

最新文章

我DW

央视新闻《玩大小单双最厉害的回血老师》央视网

央视新闻《回血上岸最快的方法》央视网

央视新闻《大发最有实力带人回血的导师》央视网

  • 未登录

    回复楼主

    登录后可回复
    /1000