了解Hadoop

Hadoop了解

Hadoop 是 Apache 基金会开发的一个开源分布式计算平台，主要用于存储和处理大规模数据集。
它能让用户在不了解分布式系统底层细节的情况下，轻松进行分布式程序的开发，将应用程序自动部署到由大量普通机器组成的集群上进行高效运算。下面为你详细介绍其应用场景和作用
hadoop生态系统包含了很多组件,主要的一个生态系统体系:

核心组件介绍

HDFS
Hadoop 分布式文件系统(HDFS): 是hadoop的存储基石,具备高容错性,可以将海量的数据分散存储在多个节点,数据会被分割为多个数据块,每个数据块会有多个副本,分布在不同的节点上,这样即使部分节点出现故障,数据也不会丢失,保证了数据的安全性和可靠性,支持流式访问.

1. NameNode: 存储文件的元数据,运行在master node节点上,负责命名空间管理和文件访问控制,
2. DataNode: 在本地文件系统存储文件块数据,以及数据校验和,运行在slave节点上,
3. Secondary DataNode: 用来监控HDFS状态
   

MapReduce
是一种编程模型,用于计算海量数据,并把计算任务分割成多个在几群上并行计算独立运行的task,MapReduce 是 Hadoop的核心，它会把计算任务移动到离数据最近的地方进行执行，因为移动大量数据是非常耗费资源的。主要的处理过程分为三个步骤:

1. map阶段: 在这个里,针对输入的数据会被分割为多个小块,每个小块由一个map任务处理,map任务会读取输入的数据然后转为键值对的形式输出,这个过程可以理解为对原始数据进行初步的过滤.
2. shuffle排序阶段: 这个阶段会对map阶段处理之后的数据进行排序和分组,将相同的键的值归类到一起,
3. reduce(聚合): 这个阶段每个reduce任务接受一组相同的键值列表,并对这组值执行指定规则的汇总或聚合操作.然后产生新的输出.

YARN
Yarn ：是一个资源管理系统，其作用就是把资源管理和任务调度/监控功分割成不同的进程，Yarn 有一个全局的资源管理器叫 ResourceManager，每个 application 都有一个 ApplicationMaster 进程。一个 application 可能是一个单独的 job 或者是 job 的 DAG （有向无环图）。
在 Yarn 内部有两个守护进程：
• ResourceManager ：负责给 application 分配资源
• NodeManager ：负责监控容器使用资源情况，并把资源使用情况报告给 ResourceManager。这里所说的资源一般是指CPU、内存、磁盘、网络等。
ApplicationMaster 负责从 ResourceManager 申请资源，并与 NodeManager 一起对任务做持续监控工作。

Yarn 具有下面这些特性：
• 多租户：Yarn允许在同样的 Hadoop数据集使用多种访问引擎。这些访问引擎可能是批处理，实时处理，迭代处理等；
• 集群利用率：在资源自动分配的情况下，跟早期的Hadoop 版本相比，Yarn拥有更高的集群利用率；
• 可扩展性：Yarn可以根据实际需求扩展到几千个节点，多个独立的集群可以联结成一个更大的集群；
• 兼容性：Hadoop 1.x 的 MapReduce 应用程序可以不做任何改动运行在 Yarn集群上面。

hadoop的工作方式

hadoop的主从工作方式

主从的架构:

• 一个master节点可以和多个slave节点交互
• master节点管理,维护和监控slave节点,slave是任务处理的机器.
• master节点是集群的核心
• master存储元数据,slave存储业务实际数据
• 通过master向slave节点分发任务
  hadoop的守护进程
  

通过这个图的展示可以看出在hadoop中主要有4个守护进程:

1. namenode: 它是HDFS运行在Master节点守护进程
2. datanode: 它是 HDFS 运行在Slave节点守护进程。
3. resourcemanager: 是yarn运行在master节点的守护进程
4. NodeManager: 是yarn运行在slave节点的守护进程
   除了这些，可能还会有 secondary NameNode，standby NameNode，Job HistoryServer 等进程

通过上面的架构图可以了解到在这种架构下,对于master节点是没有高可用的,集群会很不稳定面临单点的风险,下面介绍一下再hadoop中实现高可用的方案.
我们知道 NameNode 上存储的是 HDFS 上所有的元数据信息，因此最关键的问题在于 NameNode 挂了一个，备份的要及时顶上，这就意味着我们要把所有的元数据都同步到备份节点。好，接下来我们考虑如何同步呢？每次 HDFS 写入一个文件，都要同步写 NameNode 和其备份节点吗？如果备份节点挂了就会写失败？显然不能这样，只能是异步来同步元数据。如果 NameNode 刚好宕机却没有将元数据异步写入到备份节点呢？那这部分信息岂不是丢失了？这个问题就自然要引入第三方的存储了，在 HA 方案中叫做“共享存储”。每次写文件时，需要将日志同步写入共享存储，这个步骤成功才能认定写文件成功。然后备份节点定期从共享存储同步日志，以便进行主备切换。
Hadoop NameNode HA原理
核心组件介绍:
Namenode主备切换主要是由ZKFailoverController,HealthMonitor和ActiveStandbyElector这个3个组件来协同实现:

• ZKFailoverController作为Namenode上一个独立的进程启动(在hdfs启动脚本之中的进程为zkfc),启动的时候会创建HealthMonitor 和ActiveStandbyElector 组件,会进行整体协调负责管理和监控namenode的状态并与zookerper进行交互.
• HealthMonitor:是对本地的namenode进行健康状态检测,检测状态,状态反馈,根据检测结果向zkfc进行汇报.它可以检测多种故障,包括硬件故障、软件故障、网络故障等
• ActiveStandbyElector: 在zookerper的协调下进行active namenode的选举.每个 Standby NameNode 的 ActiveStandbyElector 会尝试在 ZooKeeper 中创建一个特定的节点，如果创建成功，则该 NameNode 成为新的 Active NameNode；如果创建失败，则表示有其他 NameNode 已经成功竞选为 Active NameNode，该 NameNode 继续保持 Standby 状态。在选举完成后，ActiveStandbyElector 会确保新的 Active NameNode 和其他 Standby NameNode 之间的状态同步，保证整个集群的一致性和稳定性

hadoop在linux下的安装部署

hadoop的运行模式
Hadoop 有三种运行模式，分别是本地（单机）模式、伪分布式模式和完全分布式模式，下面为详细介绍它们的区别;
本地模式
特点:
简单配置：这是 Hadoop 最基础的运行模式，几乎不需要额外配置。它把所有组件都运行在单个 Java 虚拟机中，就像普通的 Java 程序一样。
无分布式特性：此模式下不涉及数据的分布式存储与处理，主要用于开发调试简单的 MapReduce 程序或者进行代码测试。
数据存储：数据一般存于本地文件系统，而非 Hadoop 分布式文件系统（HDFS）
适用场景
适合初学者快速上手 Hadoop，在学习和开发初期用来验证 MapReduce 程序逻辑的正确性。
进行小规模数据的测试和实验。

伪分布式模式
特点:
模拟分布式环境：虽然所有 Hadoop 守护进程（如 NameNode、DataNode、ResourceManager、NodeManager 等）都在一台机器上运行，但它们以独立的 Java 进程形式存在，能够模拟分布式环境的运行机制。
使用 HDFS：数据存储采用 HDFS，可体验 Hadoop 分布式文件系统的功能，如数据的复制、容错等。
配置相对简单：相较于完全分布式模式，伪分布式模式的配置较为简便，通常只需对几个关键配置文件进行修改。
适用场景:
用于开发和测试分布式程序，让开发者在单机上就能模拟分布式环境，进行程序的调试和优化。
学习 Hadoop 各个组件的工作原理和交互方式。
完全分布式模式
特点
多节点集群：由多个物理节点组成集群，每个节点承担不同的角色，如 NameNode、DataNode、ResourceManager、NodeManager 等，各个节点之间通过网络进行通信和协作。
高可靠性和扩展性：可以根据实际需求添加或减少节点，以提高系统的处理能力和存储容量。同时，HDFS 的数据冗余机制和 YARN 的资源管理机制确保了系统的高可靠性。
复杂配置和管理：需要对每个节点进行详细的配置和管理，包括网络配置、节点间的通信、数据同步等，对运维人员的技术要求较高。

未完待续~