Hadoop介绍-1.基本原理

Posted 一泽涟漪

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介绍-1.基本原理相关的知识,希望对你有一定的参考价值。

了解大数据

首先,搞清楚hadoop在处理大数据的定位在哪里

什么是大数据?为什么要处理大数据?

数据量大(Volume) 数据类别复杂(Variety) 数据处理速度快(Velocity) 数据真实性高(Veracity) 合起来被称为4V。

处理大数据是为了挖掘数据中的隐含价值

如何处理大数据?

集中式计算VS分布式计算

集中式计算:通过不断增加处理器的个数来增强耽搁计算机的计算能力,从而提高处理的速度。需要的内存很大,计算的速度很快。

分布式计算:一组通过网络连接的计算机,形成一个分散的系统。将需要处理的大量数据分散成多个部分,交由系统中的耽搁计算机分别处理,最后将这些计算结果合并得到最终结果。(MapReduce的核心思想)

Hadoop是怎么产生的

技术基础

google三驾马车:GFS、MapReduce和BigTable。Hadoop是在google三驾马车基础上的开源实现。

  1. GFS(Google File System)分布式文件系统,对应Hadoop当中的HDFS。
  2. MapReduce分布式计算框架,也是Hadoop处理大数据的核心思想。
  3. BigTable是基于GFS的数据存储系统,对应Hadoop的HBase。

三大分布式计算系统

Hadoop,Spark,Storm是主流的三大分布式计算系统

Spark VS Hadoop

Hadoop使用硬盘来存储数据,而Spark是将数据存在内存中的,因此Spark何以提供超过Hadoop 100倍的计算速度。内存断电后会丢失,所以Spark不
适用于需要长期保存的数据。

Storm VS Hadoop

Storm在Hadoop基础上提供了实时运算的特性,可以实时处理大数据流。不同于Hadoop和Spark,Storm不进行数据的手机和存储工作,直接通过网络接受并实时处理数据,然后直接通过网络实时传回结果。

所以三者适用于的应用场景分别为:

  1. Hadoop常用于离线的复杂的大数据处理
  2. Spark常用于离线的快速的大数据处理
  3. Storm常用于在线实时的大数据处理

Hadoop定义

Hadoop是什么

Hadoop是一个能够对大量数据进行分布式处理的软件框架

Hadoop特点

  1. 可靠。Hadoop假设计算元素和存储会失败,所以会维护多个工作数据的副本,对失败的节点会重新处理
  2. 高效。通过并行方式工作,加快处理速度。
  3. 可伸缩。可以处理PB级的数据。
  4. 高扩展。可以方便地扩展到数以千计的节点。
  5. 低成本。Hadoop是开源的,Hadoop节点可以是很便宜的机器。

应用场景

Hadoop适用于:海量数据,离线数据,复杂数据

场景1:数据分析,如海量日志分析,商品推荐,用户行为分析

场景2:离线计算,(异构计算+分布式计算)天文计算

场景3:海量数据存储,如Facebook的存储集群。

更多应用场景

Hadoop原理

HDFS

HDFS(Hadoop File System),是Hadoop的分布式文件存储系统

  1. 将大文件分解为多个Block,每个Block保存多个副本。提供容错机制,副本丢失或者宕机时自动恢复。
  2. 默认每个Block保存3个副本,64M为1个Block。
  3. 将Block按照key-value映射到内存当中。

HDFS架构图如下:

技术分享

NameNode

HDFS使用主从结构,NameNode是Master节点,是领导。所有的客户端的读写请求,都需要首先请求NameNode。

NameNode存储

  1. fsimage:元数据镜像文件(文件系统的目录树,文件的元数据信息)。元数据信息包括文件的信息,文件对应的block信息(版本信息,类型信息,和checksum),以及每一个block所在的DataNode的信息。
  2. edits:元数据的操作日志
DataNode

DataNode是Slave,负责真正存储所有的block内容,以及数据块的读写操作

NameNode,DataNode,rack只是一些逻辑上的概念。NameNode和DataNode可能是一台机器也可能是,相邻的一台机器,很多DataNode可能处于同一台机器。rack是逻辑上比DataNode更大的概念,可能是一台机器,一台机柜,也可能是一个机房。通过使文件的备份更广泛地分布到不同的rack,DataNode上可以保证数据的可靠性。

HDFS写入数据
  1. Client拆分文件为64M一块。
  2. Client向NameNode发送写数据请求。
  3. NameNode节点,记录block信息。并返回可用的DataNode。
  4. Client向DataNode发送block1,2,3….;发送过程是以流式写入。流式写入,数据流向为DataNode1->DataNode2->DataNode3(1,2,3为通过规则选出来的可用的DataNode)
  5. 发送完毕后告知NameNode
  6. NameNode告知Client发送完成

在写数据的时候:

  • 写1T文件,我们需要3T的存储,3T的网络流量贷款。
  • 在执行读或写的过程中,NameNode和DataNode通过HeartBeat进行保存通信,确定DataNode活着。如果发现DataNode死掉了,就将死掉的DataNode上的数据,放到其他节点去。读取时,要读其他节点去。
  • 挂掉一个节点,没关系,还有其他节点可以备份;甚至,挂掉某一个机架,也没关系;其他机架上,也有备份。
HDFS读取数据
  1. Client向NameNode发送读请求
  2. NameNode查看MetaData信息,返回文件的block位置
  3. 根据一定规则(优先选择附近的数据),按顺序读取block

更多内容

MapReduce

Map是把一组数据一对一的映射为另外的一组数据,其映射的规则由一个map函数来指定。Reduce是对一组数据进行归约,这个归约的规则由一个reduce函数指定。

整个的MapReduce执行过程可以表示为:

(input)<k1, v1> => map => <k2, v2> => combine => <k2, v2’> => reduce => <k3, v3>(output)

也可以表示为流程图:

技术分享

  1. 分割:把输入数据分割成不相关的若干键/值对(key1/value1)集合,作为input
  2. 映射:这些键/值对会由多个map任务来并行地处理。输出一些中间键/值对key2/value2集合
  3. 排序:MapReduce会对map的输出(key2/value2)按照key2进行排序(便于归并)
  4. conbine:属于同一个key2的所有value2组合在一起作为reduce任务的输入(相当于提前reduce,减小key2的数量,减小reduce的负担)
  5. Partition:将mapper的输出分配到reducer;(Map的中间结果通常用”hash(key) mod R”这个结果作为标准)
  6. 规约:由reduce任务计算出最终结果并输出key3/value3。

程序员需要做的

  • 单机程序需要处理数据读取和写入、数据处理
  • Hadoop程序需要实现map和reduce函数
  • map和reduce之间的数据传输、排序,容错处理等由Hadoop MapReduce和HDFS自动完成。

以上是关于Hadoop介绍-1.基本原理的主要内容,如果未能解决你的问题,请参考以下文章

hadoop系统原理

Hadoop之HDFS介绍

hadoop的mapreduce常见算法案例有几种

Hadoop 原理简介基本构建

Hadoop集群-hadoop运行原理解析

Hadoop集群-hadoop运行原理解析