hadoop学习概念理解
Posted 奋力的蜗牛MMD
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学习概念理解相关的知识，希望对你有一定的参考价值。
1.概念
1.1什么是hadoop？
hadoop 是大数据存储和处理的框架，主要组成为文件存储系统hdfs和分布式计算框架mapreduce。
1.2能做什么，擅长做什么，不擅长做什么？
1.2.1能做什么，如何做？
hadoop 支持处理TB，PB级别的文件。举个栗子：如100M的文件，过滤出含有helloword的行，写个java pyhton程序就很快完成了，但是1T，1P的文件能做吗？就算能做，需要多长时间，需要多大硬件资源？从传统的设计来讲，在存储和计算上都存在困难。而hdfs文件系统很好的解决了这个问题，很容易的将文件分块存储在成千上百个机器，使用的时候如同使用本地文件一样方便。
hadoop的有点很大程度上来自于hdfs。hdfs优点是：支持副本，可构建在廉价机器集群上，有自己的容错和恢复机制，支持流式访问。
顺便解释下hdfs的设计：将文件分块存储，一般一块128M，默认是64M，块太小了块的映射和维护成本大大增加；块太大了文件恢复和备份变得很困难。
分为namenode和datanode。namenode管理文件的命名空间，存放元数据文件。维护文件系统的所有文件和目录，文件和数据块的映射。同时维护着文件在各个数据节点的信息。datanode存放着具体的数据。
1.2.2 不擅长做什么？
hdfs的缺点：不适合大量小文件存储，不适合并发写入，不支持文件的随机修改，不支持随机读等低延时的访问方式。因为本就不是为了这种场景而设计，所以在选用hadoop的时候也需要根据实际的情况合理选择。
1.3 nn dn snn名词解释
1.3.1
NameNode详解
作用：
Namenode起一个统领的作用，用户通过namenode来实现对其他数据的访问和操作，类似于root根目录的感觉。
Namenode包含：目录与数据块之间的关系（靠fsimage和edits来实现），数据块和节点之间的关系
fsimage文件与edits文件是Namenode结点上的核心文件。
Namenode中仅仅存储目录树信息，而关于BLOCK的位置信息则是从各个Datanode上传到Namenode上的。
Namenode的目录树信息就是物理的存储在fsimage这个文件中的，当Namenode启动的时候会首先读取fsimage这个文件，将目录树信息装载到内存中。
而edits存储的是日志信息，在Namenode启动后所有对目录结构的增加，删除，修改等操作都会记录到edits文件中，并不会同步的记录在fsimage中。
而当Namenode结点关闭的时候，也不会将fsimage与edits文件进行合并，这个合并的过程实际上是发生在Namenode启动的过程中。
也就是说，当Namenode启动的时候，首先装载fsimage文件，然后在应用edits文件，最后还会将最新的目录树信息更新到新的fsimage文件中，然后启用新的edits文件。
整个流程是没有问题的，但是有个小瑕疵，就是如果Namenode在启动后发生的改变过多，会导致edits文件变得非常大，大得程度与Namenode的更新频率有关系。
那么在下一次Namenode启动的过程中，读取了fsimage文件后，会应用这个无比大的edits文件，导致启动时间变长，并且不可控，可能需要启动几个小时也说不定。
Namenode的edits文件过大的问题，也就是SecondeNamenode要解决的主要问题。
SecondNamenode会按照一定规则被唤醒，然后进行fsimage文件与edits文件的合并，防止edits文件过大，导致Namenode启动时间过长。
1.3.2
DataNode详解
DataNode在HDFS中真正存储数据。
首先解释块（block）的概念：
- DataNode在存储数据的时候是按照block为单位读写数据的。block是hdfs读写数据的基本单位。
- 假设文件大小是100GB，从字节位置0开始，每128MB字节划分为一个block，依此类推，可以划分出很多的block。每个block就是128MB大小。
- block本质上是一个 逻辑概念，意味着block里面不会真正的存储数据，只是划分文件的。
- block里也会存副本，副本优点是安全，缺点是占空间
1.3.3
SecondaryNode
执行过程：从NameNode上 下载元数据信息（fsimage,edits），然后把二者合并，生成新的fsimage，在本地保存，并将其推送到NameNode，同时重置NameNode的edits.
2.读、写的工作原理。
2.1写的工作原理。
看图之前需要理解几个点：
1.采用了默认的文件块大小划分。
2.文件大小划分是在client端完成的。
3.nn节点只负责返回给client端文件块可以存储的位置，client端负责将数据发送给具体的dn节点。
4.数据传输过程中是再继续划分64m文件到64k分多次传输。
5.client发送一次数据到其中一个dn，dn之间的复制由dn自己完成。
6.一个块写完成后 dn发送消息给client 由client向nn发送文件目录创建命令，此事会记录在edits文件中，特定时间由secondaryNameNode进行合并到fsimage并同步给nn。这也是snn的主要设计目的。
有一个文件FileA，100M大小。Client将FileA写入到HDFS上。
HDFS按默认配置。
HDFS分布在三个机架上Rack1，Rack2，Rack3。
a. Client将FileA按64M分块。分成两块，block1和Block2;
b. Client向nameNode发送写数据请求，如图蓝色虚线①------>。
c. NameNode节点，记录block信息。并返回可用的DataNode，如粉色虚线②--------->。
Block1: host2,host1,host3
Block2: host7,host8,host4
原理：
NameNode具有RackAware机架感知功能，这个可以配置。
若client为DataNode节点，那存储block时，规则为：副本1，同client的节点上；副本2，不同机架节点上；副本3，同第二个副本机架的另一个节点上；其他副本随机挑选。
若client不为DataNode节点，那存储block时，规则为：副本1，随机选择一个节点上；副本2，不同副本1，机架上；副本3，同副本2相同的另一个节点上；其他副本随机挑选。
d. client向DataNode发送block1；发送过程是以流式写入。
流式写入过程，
1>将64M的block1按64k的package划分;
2>然后将第一个package发送给host2;
3>host2接收完后，将第一个package发送给host1，同时client想host2发送第二个package；
4>host1接收完第一个package后，发送给host3，同时接收host2发来的第二个package。
5>以此类推，如图红线实线所示，直到将block1发送完毕。
6>host2,host1,host3向NameNode，host2向Client发送通知，说“消息发送完了”。如图粉红颜色实线所示。
7>client收到host2发来的消息后，向namenode发送消息，说我写完了。这样就真完成了。如图黄色粗实线
8>发送完block1后，再向host7，host8，host4发送block2，如图蓝色实线所示。
9>发送完block2后，host7,host8,host4向NameNode，host7向Client发送通知，如图浅绿色实线所示。
10>client向NameNode发送消息，说我写完了，如图黄色粗实线。。。这样就完毕了。
分析，通过写过程，我们可以了解到：
①写1T文件，我们需要3T的存储，3T的网络流量贷款。
②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。
③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。
2.2 读操作工作原理。
读操作 相对简单。
client 告诉nn要读取文件。nn告诉client文件的块位置和块大小，块顺序。如block1，block2，然后client请求对应host读取文件，最后进行组装。
那么，读操作流程为：
a. client向namenode发送读请求。
b. namenode查看Metadata信息，返回fileA的block的位置。
block1:host2,host1,host3
block2:host7,host8,host4
c. block的位置是有先后顺序的，先读block1，再读block2。而且block1去host2上读取；然后block2，去host7上读取；
上面例子中，client位于机架外，那么如果client位于机架内某个DataNode上，例如,client是host6。那么读取的时候，遵循的规律是：
优选读取本机架上的数据。
运算和存储在同一个服务器中，每一个服务器都可以是本地服务器。
以上是关于hadoop学习概念理解的主要内容，如果未能解决你的问题，请参考以下文章