hadoop的核心组件：hdfs（分布式文件系统）、mapreduce（分布式计算框架）、Hive（基于hadoop的数据仓库）、HBase（分布式列存数据库）、Zookeeper（分布式协作服务）、Sqoop（数据同步工具）和Flume（日志手机工具）
hdfs（分布式文件系统）：
由client、NameNode、DataNode组成
- client负责切分文件，并与NameNode交互，获取文件位置；与DataNode交互，读取和写入数据
- NameNode是Master节点，管理HDFS的名称空间和数据块映射信息，配置副本策略，处理客户端请求
- DataNode是Slave节点，存储实际数据，汇报存储信息给NameNode
- DataNode与NameNode保持心跳，提交block列表
在hadoop1.x的时候还有Secondary NameNode，负责辅助NameNode，分担其工作量；定期合并fsimage和fsedits，推送给NameNode；紧急情况下，可辅助恢复NameNode
存储模型
（1）文件线性切割成Block offset
（2）Block分散存储在集群节点中，Block是HDFS的基本存储单元，默认大小是64M
（3）单一文件Block大小一致，文件与文件可以不一致
（4）Block可设置副本数(小于节点数)，分散在不同节点
（5）文件上传可以设置Block大小和副本数
（6）已上传的文件Block副本数可以调整，大小不变
（7）只支持一次写入多次读取，同一时刻只有一个写入者
（8）可以append追加数据
架构模型
（1）NameNode节点保存文件元数据
（2）DataNode节点保存文件Block数据
（3）DataNode与NameNode保持心跳，提交Block列表
（4）HdfsClient与NameNode交互元数据信息
（5）HdfsClient与DataNode交互文件Block数据
hdfs结构
一、NameNode（不会与磁盘发生交换）
（1）基于内存存储
- 只存在内存中
- 持久化
- 启动后, 元数据（metadate）信息加载到内存
- metadata的磁盘文件名为”fsimage”
- Block的位置信息不会保存到fsimage
- （journalNode的作用是存放EditLog的）edits记录对metadata的操作日志
（2）功能
- 接收客户端读写
- 收集DataNode汇报的block列表信息
（3） metadata
- 文件ownership, permissions（文件所有权、权限）
- 文件大小, 时间
- （block列表，block偏移量）--->会持久化, 位置信息--->不会持久化（启动时候由DataNode汇报过来）
- block每个副本位置(dataNode上报)
二、DataNode
（1）本地文件形式存储block
（2）存储Block的元数据信息文件
（3）启动DN时会向NN汇报block信息
（4）通过向NameNode发送心跳（3秒一次），如果NameNode 10分钟没有收到，则认为已经lost，并copy其上的block到其它DN
三、SecondaryNameNode/Qurom Journal Manager
合并时机
fs.checkpoint.period 3600s
fs.checkpoint.size 64MB
四、ZooKeeper Failover Controller(HDFS 2.0 HA)
（1）监控NameNode健康状态
（2）向Zookeeper注册NameNode
（3）NameNode挂掉后，ZKFC为NameNode竞争锁，获得ZKFC 锁的NameNode变为active
5、Block副本放置位置
（1）第一个副本：放置在上传文件的DN；如果是集群外提交，则随机挑选一台磁盘不太满，CPU不太忙的节点
（2）第二个副本：放置在于第一个副本不同的机架的节点上
（3）第三个副本：与第二个副本相同机架的节点
（4）更多副本：随机节点
6、安全模式
（1）NameNode启动, fsimage载入内存, 执行edits
（2）成功建立元数据映射后, 创建新的fsimage文件(无需SNN)和空的edits
（3）检查副本数, 数量正常后,过若干时间, 解除安全模式
7、优缺点
优点：
高容错性(多副本, 自动恢复)
适合批处理(计算移动, 数据位置暴露给计算框架(block))
适合大数据处理（GB TB PB级数据）
可构建在廉价机器上
高吞吐
缺点：
高延迟
小文件存取(占用namenode内存, 寻道时间超过读取时间)
并发写入、文件随机修改(一个文件一个写入者, 只能append)
hdfs写流程
client切分文件与NanmeNode交互，获取DataNode列表，验证DataNode后连接DataNode，各节点之间两两交互，确定可用后，client以更小单位流式传输数据；
Block传输数据结束后，DataNode向NameNode汇报Block信息，DataNode向Client汇报完成，Client向NameNode汇报完成，获取去下一个Block存放的DataNode列表，
循环以上步骤，最终client汇报完成，NameNode会在写流程更新文件状态。
hdfs读流程
client与NameNode交互，获取Block存放的DataNode列表（Block副本的位置信息），线性和DataNode交互，获取Block，最终合并为一个文件，其中，在Block副本列表中按距离择优选取DataNode节点获取Block块。
mapreduce（分布式计算框架）
MR运行原理：
1、客户端提交作业之前，检查输入输出路径，首先创建切片列表
反射出作业中设置的input对象，默认是TextInputFormat类
通过input类得到切片列表(getSpilits()方法)
最小值 minSize 默认为1，如果设置就取设置的值
最大值 maxSize 默认为long的最大值
根据输入路径取出文件，获取每个文件的所有block列表，接着创建splits列表（包含文件名，偏移量，长度和位置信息）
切片大小根据最大最小值取，默认为block的大小
一个split对应一个map
提交作业到集群（submitJob()方法）
2、mapInput：
input.initialize 输入初始化
拿到taskContext（上下文）
创建mapper（默认为Mapper类，一般取用户设置的）
获取InputFomat类（输入格式化的类）
获取split
根据以上信息创建input（NewTrackingRecordReader）
input初始化
获取split的开始和结束位置和文件，开启对文件的IO流，将起始偏移量个IO设置一下
如果不是第一个切片（split），每次读取放弃第一行（跳过第一行数据），只有第一个切片才会读取第一行数据
mapper.run
3、output：
MapOutputBuffer初始化
环形缓冲区的阈值0.8、大小（100M） 默认值
sorter ：QuickSort算法
反射获取比较器 OutputKeyComparator
排序，溢写，一些一次触发一次combiner
溢写达到3次的时候还会触发一次combiner
通过反射获取Partitioner类，默认为HashPartitoner
write(k,v)
collector.collect(key,value,partition)
output.close()
merger
如果numSplits<minSpillsForCombiner 判断溢写的次数是不是小于设置的合并的溢写次数（默认是3），成立的话combiner
4、reduce：
shuffle：copy
sort：SecondarySort
reduce
1、mapreduce shuffle
（1）maptask的输入是hdfs上的block块，maptask只读取split，block与split的对应关系默认是一对一
（2）进过map端的运行后，输出的格式为key/value，Mapreduce提供接口partition，他的作用是根据maptask输出的key hash后与reduce数量取模，
来决定当前的输出对应到哪个reduce处理，也可以自定义partition
（3）map运行后的数据序列化到缓冲区，默认这个缓冲区大小为100M，作用是收集这个map的结果，当数据达到溢写比例（默认是spill.percent=0.8）后，所定这80M的内存，
对这80M内存中的key做排序（sort），maptask的输出结果还可以往剩下的20M内存中写，互不影响。之后执行溢写的线程会往磁盘中写数据。每次溢写都会产生一个溢写小文件，
map执行完后，会合并这些溢写小文件，这个过程叫Merge。
（4）如果客户端设置了Combiner，那么会优化MapReduce的中间结果，合并map端的数据（相当于reduce端的预处理），Combiner不能改变最终的计算结果。
（5）reduce在执行之前就是从各个maptask执行完后的溢写文件中拿到所对应的数据，然后做合并（Merge），最终形成的文件作为reduce的输入文件，这个过程是归并排序。
最后就是reduce计算，把结果放到hdfs上面。
hdfs参数调优
| io.file.buffer.size:4096 （core-default.xml） | SequenceFiles在读写中可以使用缓存大小，可减少I/O次数；在大型Hadoop cluster，建议可设定为65536-131072 |
| dfs.blockes:134217728（ hdfs-default.xml ） | hdfs中一个文件的Block块的大小，CDH5中默认为128M；设置太大影响map同时计算的数量，设置较少会浪费map个数资源 |
| mapred.reduce.tasks(mapreduce.job.reduces):1 | 默认启动的reduce数 |
| mapreduce.task.io.sort.factor:10 | reduce task中合并文件时，一次合并的文件数据 |
| mapred.child.java.opts:-Xmx200m | jvm启动子线程可以使用的最大内存 |
| mapred.reduce.parallel.copies：5 | Reduce copy数据的线程数量，默认值是5 |
| mapreduce.tasktracker.http.threads：40 | map和reduce是通过http进行传输的，这个设置传输的并行线程数 |
| mapreduce.map.output.compress：flase | map输出是否进行压缩，如果压缩就会多耗cpu，但是减少传输时间，如果不压缩，就需要较多的传输带宽。配合 mapreduce.map.output.compress.codec使用，默认是 org.apache.hadoop.io.compress.DefaultCodec，可以根据需要设定数据压缩方式。 |
| mapreduce.tasktracker.tasks.reduce.maximum：2 | 一个tasktracker并发执行的reduce数，建议为cpu核数 |
| mapreduce.map.sort.spill.percent:0.8 | 溢写比例 |
| min.num.spill.for.combine：3 | spill的文件达到设置的参数进行combiner |
避免推测执行
| mapred.map.tasks.speculative.execution=true |
| mapred.reduce.tasks.speculative.execution=true |
自定义partition
适当添加combiner
自定义reduce端的grouping Comparator
- mapred.reduce.tasks：手动设置reduce个数
- mapreduce.map.output.compress：map输出结果是否压缩
- mapreduce.map.output.compress.codec
- mapreduce.output.fileoutputformat.compress：job输出结果是否压缩
- mapreduce.output.fileoutputformat.compress.type
- mapreduce.output.fileoutputformat.compress.codec
9、调优文件以及参数
一、调优的目的
充分的利用机器的性能，更快的完成mr程序的计算任务。甚至是在有限的机器条件下，能够支持运行足够多的mr程序。
二、调优的总体概述
从mr程序的内部运行机制，我们可以了解到一个mr程序由mapper和reducer两个阶段组成，其中mapper阶段包括数据的读取、map处理以及写出操作(排序和合并/sort&merge)，而reducer阶段包含mapper输出数据的获取、数据合并(sort&merge)、reduce处理以及写出操作。那么在这七个子阶段中，能够进行较大力度的进行调优的就是map输出、reducer数据合并以及reducer个数这三个方面的调优操作。也就是说虽然性能调优包括cpu、内存、磁盘io以及网络这四个大方面，但是从mr程序的执行流程中，我们可以知道主要有调优的是内存、磁盘io以及网络。在mr程序中调优，主要考虑的就是减少网络传输和减少磁盘IO操作，故本次课程的mr调优主要包括服务器调优、代码调优、mapper调优、reducer调优以及runner调优这五个方面。
三、服务器调优
服务器调优主要包括服务器参数调优和jvm调优。在本次项目中，由于我们使用hbase作为我们分析数据的原始数据存储表，所以对于hbase我们也需要进行一些调优操作。除了参数调优之外，和其他一般的java程序一样，还需要进行一些jvm调优。
hdfs调优
1. dfs.datanode.failed.volumes.tolerated: 允许发生磁盘错误的磁盘数量，默认为0，表示不允许datanode发生磁盘异常。当挂载多个磁盘的时候，可以修改该值。
2. dfs.replication: 复制因子，默认3
3. dfs.namenode.handler.count: namenode节点并发线程量，默认10
4. dfs.datanode.handler.count：datanode之间的并发线程量，默认10。
5. dfs.datanode.max.transfer.threads：datanode提供的数据流操作的并发线程量，默认4096。
一般将其设置为linux系统的文件句柄数的85%~90%之间，查看文件句柄数语句ulimit -a，修改vim /etc/security/limits.conf, 不能设置太大文件末尾，添加
* soft nofile 65535
* hard nofile 65535
注意：句柄数不能够太大，可以设置为1000000以下的所有数值，一般不设置为-1。
异常处理：当设置句柄数较大的时候，重新登录可能出现unable load session的提示信息，这个时候采用单用户模式进行修改操作即可。
单用户模式：
启动的时候按‘a‘键，进入选择界面，然后按‘e‘键进入kernel修改界面，然后选择第二行‘kernel...‘，按‘e‘键进行修改，在最后添加空格+single即可，按回车键回到修改界面，最后按‘b‘键进行单用户模式启动，当启动成功后，还原文件后保存，最后退出(exit)重启系统即可。
6. io.file.buffer.size: 读取/写出数据的buffer大小，默认4096，一般不用设置，推荐设置为4096的整数倍(物理页面的整数倍大小)。
mapreduce调优
1. mapreduce.task.io.sort.factor: mr程序进行合并排序的时候，打开的文件数量，默认为10个.
2. mapreduce.task.io.sort.mb: mr程序进行合并排序操作的时候或者mapper写数据的时候，内存大小，默认100M
3. mapreduce.map.sort.spill.percent： mr程序进行flush操作的阀值，默认0.80。
4. mapreduce.reduce.shuffle.parallelcopies：mr程序reducer copy数据的线程数，默认5。
5. mapreduce.reduce.shuffle.input.buffer.percent: reduce复制map数据的时候指定的内存堆大小百分比，默认为0.70，适当的增加该值可以减少map数据的磁盘溢出，能够提高系统性能。
6. mapreduce.reduce.shuffle.merge.percent：reduce进行shuffle的时候，用于启动合并输出和磁盘溢写的过程的阀值，默认为0.66。如果允许，适当增大其比例能够减少磁盘溢写次数，提高系统性能。同mapreduce.reduce.shuffle.input.buffer.percent一起使用。
7. mapreduce.task.timeout：mr程序的task执行情况汇报过期时间，默认600000(10分钟)，设置为0表示不进行该值的判断。
四、代码调优
代码调优，主要是mapper和reducer中，针对多次创建的对象，进行代码提出操作。这个和一般的java程序的代码调优一样。
五、mapper调优
mapper调优主要就是就一个目标：减少输出量。我们可以通过增加combine阶段以及对输出进行压缩设置进行mapper调优。
combine介绍：
实现自定义combine要求继承reducer类，特点：
以map的输出key/value键值对作为输入输出键值对，作用是减少网络输出，在map节点上就合并一部分数据。
比较适合，map的输出是数值型的，方便进行统计。
压缩设置：
在提交job的时候分别设置启动压缩和指定压缩方式。
六、reducer调优
reducer调优主要是通过参数调优和设置reducer的个数来完成。
reducer个数调优：
要求：一个reducer和多个reducer的执行结果一致，不能因为多个reducer导致执行结果异常。
规则：一般要求在hadoop集群中的执行mr程序，map执行完成100%后，尽量早的看到reducer执行到33%，可以通过命令hadoop job -status job_id或者web页面来查看。
原因： map的执行process数是通过inputformat返回recordread来定义的；而reducer是有三部分构成的，分别为读取mapper输出数据、合并所有输出数据以及reduce处理，其中第一步要依赖map的执行，所以在数据量比较大的情况下，一个reducer无法满足性能要求的情况下，我们可以通过调高reducer的个数来解决该问题。
优点：充分利用集群的优势。
缺点：有些mr程序没法利用多reducer的优点，比如获取top n的mr程序。
七、runner调优
runner调优其实就是在提交job的时候设置job参数，一般都可以通过代码和xml文件两种方式进行设置。
1~8详见ActiveUserRunner(before和configure方法)，9详解TransformerBaseRunner(initScans方法)
1. mapred.child.java.opts: 修改childyard进程执行的jvm参数，针对map和reducer均有效，默认：-Xmx200m
2. mapreduce.map.java.opts： 需改map阶段的childyard进程执行jvm参数，默认为空，当为空的时候，使用mapred.child.java.opts。
3. mapreduce.reduce.java.opts：修改reducer阶段的childyard进程执行jvm参数，默认为空，当为空的时候，使用mapred.child.java.opts。
4. mapreduce.job.reduces： 修改reducer的个数，默认为1。可以通过job.setNumReduceTasks方法来进行更改。
5. mapreduce.map.speculative：是否启动map阶段的推测执行，默认为true。其实一般情况设置为false比较好。可通过方法job.setMapSpeculativeExecution来设置。
6. mapreduce.reduce.speculative：是否需要启动reduce阶段的推测执行，默认为true，其实一般情况设置为fase比较好。可通过方法job.setReduceSpeculativeExecution来设置。
7. mapreduce.map.output.compress：设置是否启动map输出的压缩机制，默认为false。在需要减少网络传输的时候，可以设置为true。
8. mapreduce.map.output.compress.codec：设置map输出压缩机制，默认为org.apache.hadoop.io.compress.DefaultCodec，推荐使用SnappyCodec(在之前版本中需要进行安装操作，现在版本不太清楚，安装参数：http://www.cnblogs.com/chengxin1982/p/3862309.html)
9. hbase参数设置
由于hbase默认是一条一条数据拿取的，在mapper节点上执行的时候是每处理一条数据后就从hbase中获取下一条数据，通过设置cache值可以一次获取多条数据，减少网络数据传输。
源码：
1、设置map端的数量：mapreduce.input.fileinputformat.split.minsize
位置FileInputFormat.getSplits()方法
（1）输入文件size巨大，但不是小文件
减小map的数量：增大mapred.min.split.size的值
（2）输入文件数量巨大，且都是小文件
使用FileInputFormat衍生的CombineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理，从而减少mapper的数量
2、增加Map-Reduce job 启动时创建的Mapper数量
可以通过减小每个mapper的输入做到，即减小blockSize或者减小mapred.min.split.size的值，设置blockSize一般不可行