Hadoop快速入门

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Hadoop快速入门相关的知识,希望对你有一定的参考价值。

提到列式(Column Family)数据库,就不得不提Google的BigTable,其开源版本就是我们熟知的HBASE。BigTable建立在谷歌的另两个系统GFS和Chubby之上,这三个系统和分布式计算编程模型MapReduce共同构成Google云计算的基础,Chubby解决主从自动切换的基础。接下来通过一个表格对比来引入Hadoop。

Google云计算Hadoop中的对应
分布式文件系统GFSHDFS,负责数据物理存储
分布式管理服务ChubbyZookeeper,负责管理服务器
分布式计算框架MapReduceMapReduce,负责计算
分布式数据库BigTableHBase,负责存取数据

Hadoop是有Apache Lucene的作者Boug Cutting开发的,其主体结构如下图所示。

 技术分享

 

技术分享

HDFS(Hadoop File System)

NameNode:整个文件系统的大脑,提供整个系统的目录信息并管理各个数据服务器。

DataNode:分布式文件系统中每一个文件被切割为若干数据块,每个数据块存储在不同服务器,这些就是数据服务器。

Block:每个被切分的数据块就是一段文件内容,其是基本的存储单位,被称为数据块,典型大小为64MB。

Tip:由于硬件错误是常态,HDFS是很多台Server的集合,因而错误检测和恢复是核心功能;其以流式读为主,做批量操作,关注数据访问的高吞吐量。

HDFS采用master/slave架构,一个HDFS集群由一个NameNode和若干DataNode组成,中心服务器NameNode负责管理文件系统的namespace和客户端对文件的访问。DataNode一般一个节点一个,负责管理节点上附带的存储。在内部,一个文件被分成一个或多个block,这些block存储在DataNode集合中。NameNode和DataNode均可运行在廉价的linux机器上,HDFS由java语言开发,跨平台好,总体结构示意图如下所示。

 技术分享

复制:采用rack-aware策略改进数据可靠性和网络带宽的利用;NameNode决定每个DataNode的Rack id;大多数情况,replication因子是3,简单来说就是将一个副本放在本地机架节点,一个副本放在同一机架另一个节点,最后一个放在不同机架;在读取时,会选择最近的副本;NameNode启动时会进入SafeMode状态,该状态时,NameNode不会进行数据块的复制,这是会检测DataNode的副本数量,如果满足要求则认为安全。

NameNode用于存储元数据,任何修改均被Editlog记录,通讯协议基于TCP/IP,可以通过java API调用。

安装Hadoop,步骤如下所示

技术分享 View Code

在分布式模式下,hadoop配置文件中不能使用ip,必须使用主机名,安装hadoop必须在所有节点上使用相同配置和安装路径,并用相同用户启动。Hadoop中的HDFS和Map-Reduce可以分别启动,NameNode和JobTracker可以部署到不同节点,但小集群一般在一起,注意元数据安全即可。

Hdfs常见操作,请见下表所示,在实践中,一般都是通过API调用,了解下就好

命令诠释命令诠释
#catHadoop fs –cat uri输出内容#chgrp修改文件所属组
#chmod修改文件去哪先#chown修改文件拥有者
#put#copyFromLocal从本地文件系统复制到目标系统#get#getmerge#copToLocal复制文件到本地系统 Hadoop fs –gethdfs://host:port/user/Hadoop/file local file
#cp复制文件#du,#dus显示目录、文件大小
#expunge清空回收站#ls, lsr显示文件信息
#mv#movefromLocal移动文件#rm #rmr删除文件
#mkdir创建目录#setrep改变文件副本系数
#stat返回统计信息 hadoop fs –stat path其他#tail #touchz
#test
#text

通过Java调用hdfs的示例如下所示,其实就是一个文件系统

技术分享 View Code

 

技术分享

  • Map Reduce核心概念

Job: 用户的每一个计算请求就是一个作业

JobTracker:用户提交作业的服务器,同时它还负责各个作业任务的分配,管理所有的任务服务器。

Task:一个都需要拆分,交个多个服务器完成,拆分出来的执行单位就是任务

TaskTracker:就是任劳任怨的工人,负责执行具体的任务。

  • Map Reduce计算模型

在hadoop中,每一个MapReduce任务被初始化为一个Job,每个Job又被分为两个阶段:Map阶段、Reduce阶段。这两个阶段分别用两个函数表示,Map函数接受一个<key,value>输入,然后产生一个<key,value>的中间输出;之后hadoop会将具有相同中间key的value集合传给Reduce函数,之后Reduce处理后得到<key,value>形式输出。

 技术分享

在Java中接入Hadoop的配置与代码如下所示。

技术分享 View Code

MapReduce的数据流和控制流

 技术分享

 

技术分享

zookeeper主要用来解决分布式应用中经常遇到的数据管理的问题,如统一命名服务、状态同步服务、集群管理和分布式应用配置项的管理,Zookeeper典型的应用场景(配置文件的管理、集群管理、同步锁、Leader选举和队列管理等)。

Zookeeper配置安装的步骤如下所示

技术分享 View Code

ZooKeeper数据模型,其会维护一个层次关系的数据结构,非常类似标准文件系统

 技术分享

ZooKeeper的基础使用,其作为一个分布式服务框架,主要用于解决分布式集群的一致性问题,它提供类似文件系统目录节点树方式的数据存储,并会维护和监控数据的状态变化,其常见方法如下所示。

方法诠释
Stringcreate创建一个给点的目录节点path并设置数据
Statexists判断某个path是否存在,并设置监控这个目录节点
Delete参数path对应目录节点
StatsetData,getData设置数据,获取数据
addAuthInfo将自己授权信息发送给服务器
StatsetACL,getACL设置目录节点访问权限,获取权限列表

java调用zookeeper的API示例如下

技术分享 View Code

ZooKeeper的典型应用场景

统一命名服务(Name Service):分布式应用,通常需要一整套的命名规则,一般使用树形命名,这儿和JNDI很相似。

配置管理:ZooKeeper统一管理配置信息,保存在对应目录,一旦变化,对应机器就会收到通知(观察者)。

集群管理:ZooKeeper不仅能维护当前集群中及其的服务状态,并能选出一个总管(Leader Election),从而避免单点故障,示例代码如下。

共享锁(Locks):共享锁在同一个进程容易实现,但再不同Server见不好实现,但Zookeeper却很容易实现,方式就是需要获取锁的Servere创建一个EPHEMERAL_SEQUENTIAL目录节点,然后调用getChildren方法获得当前目录节点列表中最小的目录节点,并判断,如果未自己建立,则获得锁,如果不是就调用exist方法监控节点变化,一直到自己创建的节点时最小,从而获得锁,释放很贱,只要删除前面自己创建的目录节点就OK。

队列管理(Queue Management):可以处理两类队列,一种是当成员齐聚时,队列才可用,否则一直等待,被称为同步队列;一种是按照FIFO方式进行入队和出队,例如实现生产-消费者模型。

 

技术分享

HBase(逻辑结构)是BigTable的开源版,其建立在HDFS(物理结构)之上,提供高可靠性、高性能、列存储和可伸缩、实时读写的数据库系统。它结余NOSQL和RDBMS之间,仅能通过主键和主键range来检索数据,支持单行事务(可通过hive支持来实现多表join等复杂操作),主要用于存储非结构和半结构化的松散数据。与Hadoop一样,Hbase主要依靠横向扩展来提高计算和存储能力。

Hbase的表具有以下特点:

大:一个表可以有上亿行

面向列:面向列族的存储和权限控制,列族独立检索。

稀疏:对于空的列,并不占用空间,因此表可以设计的非常稀疏。

  • 逻辑视图:HBase以表的形式存储数据,表由行和列组成,列划分为若干个列族row family,如下表所示。

Row KeyColumn-family1Column-family2
Column1Column1Column1Column2
Key1t2:abc t1:bcd
t1:354
Key2t3:efy t1:uiot2:tyi t1:456

Row Key:检索数据的主键,访问HBase中的行,可以通过单个row key(字典序,数值型数据需要补0)访问;通过row key的range的访问;全表扫描。

列族:表中的每一列,都归属于列族,列族是表schema的一部分,必须在使用前定义,而列不是,关键理解。列名都以列族作为前缀,例如courses:history和courses:math都数据courses列族。

时间戳:通过row和column确定一个存储单元cell,每个cell保存同一份数据的多个版本,通过时间戳来索引。时间戳为64位证书,精确到毫秒,按时间倒序排列。为了避免版本过多,一般通过个数或时间来回收。

Cell:由{row key, column(=<family>+<label>),version}唯一确定的单元,cell中数据没有类型,以字节码存储。

  • 物理存储:指如何将大表分布的存储在多台服务器。

特点:Table上所有行使用row key排列;Table在行方向上分割为多个HRegion;HRegion按大小分割,每个表已开始只有一个region,随着数据不断插入,region增大,当超过阈值是,会分裂成连个新的HRegion;HRegion是HBase中分布式存储和负载均衡最小单元,表示不同Region可以分布在不同RegionServer上;HRegion是分布式存储的最小单元,但不是最小存储单元,实际上,一个Region由多个Store组成,一个Store保存一个columns family,一个Store又由一个memStore和0-多个StoreFile(重点是StoreFile就是一个Hdfs中文件,通过压缩存储减少通信消耗,这儿就找到了对应关系,还可以细分,就不介绍了)组成。(脑海里有了大体的印象)

 技术分享

  • 系统架构

 技术分享

Client:包含访问HBase接口,client维护一些cahce来加快访问,比如region未知信息。

ZooKeeper:保证任何时候集群只有一个master;存储所有region寻址接口;实施监控Region Server状态,将其上下线消息实时通知给master;存储Hbase的schema,包含哪些table,每个table的column family;为region server分配region;负责Region server的负载均衡;发现失效的Region Server并重新分配其上Region,GFS上的垃圾文件回收;处理schema更新请求。

Region Server:维护Master分配给它的Region,处理这些Region的IO请求;切分在运行中变得过大的Region。

Tip:可以看到client访问HBase数据的过程并不需要master参与,寻址访问zookeeper和Region Server,数据读写访问Region Server,master只维护table和Region的元数据,负载低。

  • 关键算法和流程

Region定位:大表使用三层类似B+树的结构来存储Region位置,第一次保存zookeeper中数据,持有RootRegion位置;第二层RootRegion是.META表的第一个Region,其中保存了其他Region的位置;第三层是个特殊的表,存储HBase中所有数据表的Region位置信息。

读写过程:HBase使用MemStore和StoreFile存储对表的更新。数据在更新时首先写入Log和MemStore,MemStore中的数据是排序的,当MemStore累计到一定阈值,会创建新MemStore,并将老MemStore添加到Flush队列,有单独线程写到磁盘,称为一个StoreFile,同时系统会在zookeeper记录一个Redo point,表示更新已经持久化。系统出现问题是,可以使用log来恢复check point之后的数据。(思路和传统数据库一致)

Region分配:任何时刻,一个region只能分配给一个server,master记录了当前可用的Server以及当前region的分配情况,当存在未分配region且有server有可用空间时,master就给这个server发送一个装载请求,分配该region。

Region Server的上下线:master通过zookeeper来跟踪region server状态,当某个server启动时,会在zookeeper的server目录建立代表自己的文件,并获得该文件独占锁,由于master订阅了该目录的变更小心,因此当文件出现增删时,可以接到通知。下线时,断开与zookeeper会话,释放独占锁,这时master会发现并删除对应目录文件,并将原有region分配给其他server。

master的上下线:从zookeeper获取唯一master锁,阻止其他人称为master;扫描zookeeper上server目录,获得region server列表;与每个server通信,获得Region分配的情况;扫描META.region集合,计算得到当前未分配的region,放入待分配列表。

  • 安装与配置

技术分享 View Code

  • 常见操作

比如创建一个如下表格

#name#grad#course:math#course:art
Xionger16260
xiongda210098

技术分享 View Code

Tip:

终于完成了,帅,这部分内容之后重点在于既有的集成解决方案,包括docker上的部署等。

此外,有空考虑区块链方面的学习,同时把数据结构好好再学习下,感觉还是不太OK。,比如B+树。


以上是关于Hadoop快速入门的主要内容,如果未能解决你的问题,请参考以下文章

Hadoop快速入门(Hadoop下载与安装)

Hadoop快速入门

Hadoop快速入门01——基本配置

Hadoop快速入门

Hadoop快速入门

大数据Hadoop快速入门