大数据｜Hadoop简介及两大功能三大核心组件（二）

Posted 2023-04-07

参考技术A 一、为什么需要hadoop？

在数据量很大的情况下，单机的处理能力无法胜任，必须采用分布式集群的方式进行处理，而用分布式集群的方式处理数据，实现的复杂度呈级数增加。所以，在海量数据处理的需求下，一个通用的分布式数据处理技术框架能大大降低应用开发难点和减少工作量。

我们先来看这么一个例子：我们要从一个用户使用app的日志数据中统计每个用户搜索了哪些关键词，这个日志文件有21G大，而我们的一个服务器只有8G内存，很显然一台服务器无法干这活。那么我们的处理方案应该是这样，见图一：

从图一我们知道，要顺利完成这么一个集群工作，它存在几个问题：

要我们自己编写一个程序来处理以上的问题是极其复杂的，我曾经写过一个脚本完成“如何分发业务应用到集群的各台服务器上”这个问题，复杂度也是不小的。

而hadoop却可以帮助我们处理上面的所有问题，我们只需要编写我们的业务程序即可。

二、hadoop是什么？

hadoop是用于处理（运算分析）海量数据的技术平台，并且是采用分布式集群的方式。

hadoop有两大功能：

hadoop三大核心组件：

hadoop两大使用角度：

Hadoop知识汇总

Hadoop的两大功能：海量数据存储和海量数据分析

Hadoop2的三大核心组件是：HDFS、MapperReducer和yarn

1、HDFS：分布式文件系统海量数据存储

2、MapperReducer：运算框架，海量数据分析

3、yarn：资源调度管理集群

? ? ? ? HDFS工作机制：基于namenode和datanode

1、namenode:响应客户端的请求；负责维护整个hdfs文件系统的文件夹树。以及每个路径（文件）所相应的block块信息（block的id，及所在的datanodeserver）； 元数据的管理

2、datanode：存储管理用户的文件数据；定期向namenode汇报自己所持有的block信息(通过心跳机制RPC)

Namenode安全模式：1）、当nameonde发现文件block丢失的数量达到一个配置的门限时。就会进入安全模式，它在这个模式下等待datanode向它汇报block信息；2）、在 安全模式下。namenode能够提供元数据查询的功能。可是不能改动。

HDFS读流程：

1、跟namenode通信查询元数据。找到文件块所在的datanodeserver

2、挑选一台datanode（就近原则。然后随机）server，请求建立socket流

3、datanode開始发送数据（从磁盘里面读取数据放入流。以packet为单位来做校验）

4、客户端以packet为单位接收，如今本地缓存，然后写入目标文件

HDFS写流程：

1、根namenode通信请求上传文件，namenode检查目标文件是否已存在，父文件夹是否存在

2、namenode返回能否够上传

3、client请求第一个 block该传输到哪些datanodeserver上

4、namenode返回3个datanodeserverABC

5、client请求3台dn中的一台A上传数据（本质上是一个RPC调用。建立pipeline），A收到请求会继续调用B，然后B调用C，将真个pipeline建立完毕。逐级返回客户端

6、client開始往A上传第一个block（先从磁盘读取数据放到一个本地内存缓存）。以packet为单位，A收到一个packet就会传给B，B传给C；A每传一个packet会放入一个应答队列等待应答

7、当一个block传输完毕之后，client再次请求namenode上传第二个block的server。