菜鸟的Hadoop快速入门
2018-07-06

一、相关概念

01

大数据


大数据是一门概念,也是一门技术,是以Hadoop为代表的大数据平台框架上进行各种数据分析的技术。

 

大数据包括了以Hadoop和Spark为代表的基础大数据框架,还包括实时数据处理,离线数据处理,数据分析,数据挖掘和用机器算法进行预测分析等技术。


02

Hadoop


Hadoop是一个开源的大数据框架,是一个分布式计算的解决方案。


Hadoop的两个核心解决了数据存储问题(HDFS分布式文件系统)和分布式计算问题(MapRe-duce)。


举例1:用户想要获取某个路径的数据,数据存放在很多的机器上,作为用户不用考虑在哪台机器上,HD-FS自动搞定。


举例2:如果一个100p的文件,希望过滤出含有Hadoop字符串的行。这种场景下,HDFS分布式存储,突破了服务器硬盘大小的限制,解决了单台机器无法存储大文件的问题,同时MapReduce分布式计算可以将大数据量的作业先分片计算,最后汇总输出。


二、Hadoop特点

01

优点


1、支持超大文件。HDFS存储的文件可以支持TB和PB级别的数据。


2、检测和快速应对硬件故障。数据备份机制,NameNode通过心跳机制来检测DataNode是否还存在。


3、高扩展性。可建构在廉价机上,实现线性(横向)扩展,当集群增加新节点之后,NameNode也可以感知,将数据分发和备份到相应的节点上。


4、成熟的生态圈。借助开源的力量,围绕Hadoop衍生的一些小工具。


02

缺点


1、不能做到低延迟。高数据吞吐量做了优化,牺牲了获取数据的延迟。


2、不适合大量的小文件存储。


3、文件修改效率低。HDFS适合一次写入,多次读取的场景。


三、HDFS介绍

01

HDFS框架分析


HDFS是Master和Slave的主从结构。主要由Name-Node、Secondary NameNode、DataNode构成。



NameNode

管理HDFS的名称空间和数据块映射信存储元数据与文件到数据块映射的地方。


如果NameNode挂掉了,文件就会无法重组,怎么办?有哪些容错机制?


Hadoop可以配置成HA即高可用集群,集群中有两个NameNode节点,一台active主节点,另一台stan-dby备用节点,两者数据时刻保持一致。当主节点不可用时,备用节点马上自动切换,用户感知不到,避免了NameNode的单点问题。


Secondary NameNode

辅助NameNode,分担NameNode工作,紧急情况下可辅助恢复NameNode。


DataNode

Slave节点,实际存储数据、执行数据块的读写并汇报存储信息给NameNode。


02

HDFS文件读写


文件按照数据块的方式进行存储在DataNode上,数据块是抽象块,作为存储和传输单元,而并非整个文件。



文件为什么要按照块来存储呢?


首先屏蔽了文件的概念,简化存储系统的设计,比如100T的文件大于磁盘的存储,需要把文件分成多个数据块进而存储到多个磁盘;为了保证数据的安全,需要备份的,而数据块非常适用于数据的备份,进而提升数据的容错能力和可用性。


数据块大小设置如何考虑?


文件数据块大小如果太小,一般的文件也就会被分成多个数据块,那么在访问的时候也就要访问多个数据块地址,这样效率不高,同时也会对NameNode的内存消耗比较严重;数据块设置得太大的话,对并行的支持就不太好了,同时系统如果重启需要加载数据,数据块越大,系统恢复就会越长。


3.2.1 HDFS文件读流程



1、向NameNode通信查询元数据(block所在的DataNode节点),找到文件块所在的DataNode服务器。


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


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


4、客户端已packet为单位接收,现在本地缓存,然后写入目标文件,后面的block块就相当于是append到前面的block块最后合成最终需要的文件。


3.2.2 HDFS文件写流程



1、向NameNode通信请求上传文件,NameNode检查目标文件是否已存在,父目录是否存在。


2、NameNode返回确认可以上传。


3、client会先对文件进行切分,比如一个block块128m,文件有300m就会被切分成3个块,一个128m、一个128m、一个44m。请求第一个block该传输到哪些DataNode服务器上。


4、NameNode返回DataNode的服务器。


5、client请求一台DataNode上传数据,第一个DataNode收到请求会继续调用第二个DataNode,然后第二个调用第三个DataNode,将整个通道建立完成,逐级返回客户端。


6、client开始往A上传第一个block,当然在写入的时候DataNode会进行数据校验,第一台DataNode收到后就会传给第二台,第二台传给第三台。


7、当一个block传输完成之后,client再次请求NameNode上传第二个block的服务器。


四、MapReduce介绍

01

概念


MapReduce是一种编程模型,是一种编程方法,是抽象的理论,采用了分而治之的思想。MapReduce框架的核心步骤主要分两部分,分别是Map和Reduce。每个文件分片由单独的机器去处理,这就是Map的方法,将各个机器计算的结果汇总并得到最终的结果,这就是Reduce的方法。


02

工作流程


向MapReduce框架提交一个计算作业时,它会首先把计算作业拆分成若干个Map任务,然后分配到不同的节点上去执行,每一个Map任务处理输入数据中的一部分,当Map任务完成后,它会生成一些中间文件,这些中间文件将会作为Reduce任务的输入数据。Reduce任务的主要目标就是把前面若干个Map的输出汇总到一起并输出。



03

运行MapReduce示例


运行Hadoop自带的MapReduce经典示例Word-count,统计文本中出现的单词及其次数。首先将任务提交到Hadoop框架上。


查看MapReduce运行结束后的输出文件目录及结果内容。


可以看到统计单词出现的次数结果


五、Hadoop安装


墙裂推荐:史上最详细的Hadoop环境搭建(https://blog.csdn.net/hliq5399/article/details/78193113)


01

Hadoop部署模式


本地模式


伪分布式模式


完全分布式模式


以上部署模式区分的依据是NameNode、Data-Node、ResourceManager、NodeManager等模块运行在几个JVM进程、几个机器上。


02

安装步骤(以伪分布式模式为例)


学习Hadoop一般是在伪分布式模式下进行。这种模式是在一台机器上各个进程上运行Hadoop的各个模块,伪分布式的意思是虽然各个模块是在各个进程上分开运行的,但是只是运行在一个操作系统上的,并不是真正的分布式。


5.2.1 JDK包下载、解压安装及JAVA环境变量配置

exportJAVA_HOME=/home/admin/apps/jdk1.8.0_151

exportCLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

exportPATH=$JAVA_HOME/bin:$PATH


5.2.2 Hadoop包下载、解压安装及Hadoop环境变量配置

exportHADOOP_HOME="/zmq/modules/hadoop/hadoop-3.1.0"

exportPATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH


5.2.3 配置Hadoop-env.sh、mapred-env.sh、yarn-env.sh文件的JAVA_HOME参数

exportJAVA_HOME="/home/admin/apps/jdk1.8.0_151"


5.2.4 配置core-site.xml,配置的是HDFS的地址和Hadoop临时目录


5.2.5 配置hdfs-site.xml,设置HDFS存储时的备份数量,这里是伪分布式部署,就填写1


5.2.6 格式化HDFS,启动NameNode、Data-Node、SecondaryNameNode,查看进程


5.2.7 搭建完成,操作HDFS(常用的新建目录、上传下载文件等),以及运行MapReduceJob


六、Hadoop更多


以上介绍的仅是对Hadoop的初步学习和使用,Ha-doop的HA完全分布式部署、Hadoop的资源调度YARN、Hadoop的高可用和容错机制、Hadoop生态圈的其他组件等等还没有去研究,感叹Hadoop水很深,哈哈。


作者简介:梦琴,两年+测试经验,当前主要负责内部平台产品的测试及部分外部交付项目测试。


关于数澜科技


数澜科技是一家专注于企业数据资产化及应用增值的专业大数据服务公司,致力于将领先的大数据理念和实践经验传递给各领域企业和政府客户,帮助企业和政府将数据转化成生产资料,并借助云计算和算法赋能,最终实现企业生产力和政府治理能力的快速提升。


自2016年6月成立至今,数澜团队践行大数据“连接”、“不确定性”和“场景化”的三大核心理念,目前已为近超过1000家企业和政府用户提供大数据相关服务,旗下核心产品数栖平台作为国内领先的一站式大数据资产化及应用平台,助力地产、零售、政企、金融、汽车等多领域客户取得卓越的数据业务效果。秉承着“致力于企业数据资产化及应用增值”,共建大数据生态服务的愿景,数澜科技将坚持与各数据消费方、数据开发方和数据提供方等专业生态伙伴共同携手,共迎大数据应用的美好未来。