大数据 Hadoop

Posted 2020-11-29 氧气

Hadoop概述 Hadoop组成 hadoop大数据处理的意义

 

Hadoop概述：

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。

 

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。

 

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。一句话来讲Hadoop就是存储加计算。

 

Hadoop这个名字不是一个缩写，而是一个虚构的名字。该项目的创建者，Doug Cutting解释Hadoop的得名 ：“这个名字是我孩子给一个棕黄色的大象玩具命名的。

 

Hadoop是一个能够让用户轻松架构和使用的分布式计算平台。用户可以轻松地在Hadoop上开发和运行处理海量数据的应用程序。它主要有以下几个优点：

 

　　1、高可靠性 Hadoop按位存储和处理数据的能力值得人们信赖。

 

　　2、高扩展性 Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。

 

　　3、高效性 Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。

 

　　4、高容错性 Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。

 

　　5、低成本 与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低。

 

Hadoop带有用Java语言编写的框架，因此运行在 Linux 生产平台上是非常理想的。Hadoop 上的应用程序也可以使用其他语言编写，比如 C++。

 

Hadoop组成（如下图展示）：

Hadoop Distributed File System(HDFS): 一个分布式文件系统，它提供对应用程序数据的高吞吐量访问。

Hadoop YARN（2.x版本以后才有的）: 作业调度和集群资源管理的框架。

Hadoop MapReduce: 基于YARN的大型数据集并行处理系统。

1 HDFS架构概述

HDFS（Hadoop Distributed File System）的架构概述，如图所示。

 

 

2 YARN架构概述

YARN架构概述，如图所示。

3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce，如图所示

1）Map阶段并行处理输入数据

2）Reduce阶段对Map结果进行汇总

 

了解了MapReduce的基本原理之后，我们看一下其两个版本之间的演变：

 

　　客户端向JobTracker提交一个作业，JobTracker会把这个作业拆分成多份，然后分配给TaskTracker(任务执行者)执行，TaskTracker会每隔一段时间向JobTracker发送心跳信息，如果JobTracker在一段时间内没有收到TaskTracker的心跳信息，JobTracker会认为TaskTracker挂掉，并把TaskTracker的任务分配给其它TaskTracker。该架构存在的问题：a、JobTracker节点压力过大；b、单点故障；3、只能跑MapReduce作业。

  

 

 

　以上架构，在Hadoop版本中称为MRv2，所解决的问题：

　　1、更高的集群利用率，一个框架未使用的资源可由另一个框架进行使用，充分的避免资源浪费

　　2、很高的扩展性

　　3、yarn通过加入ApplicationMaster可变部分，可以编写不同的APPMst

　　4、监控job的tasks运行情况下放到ApplicationMaster中

 

hadoop大数据处理的意义

Hadoop得以在大数据处理应用中广泛应用得益于其自身在数据提取、变形和加载(ETL)方面上的天然优势。Hadoop的分布式架构，将大数据处理引擎尽可能的靠近存储，对例如像ETL这样的批处理操作相对合适，因为类似这样操作的批处理结果可以直接走向存储。Hadoop的MapReduce功能实现了将单个任务打碎，并将碎片任务(Map)发送到多个节点上，之后再以单个数据集的形式加载(Reduce)到数据仓库里 ^。