【Hadoop】

Hadoop是一个开源的分布式离线数据处理框架，底层是用Java语言编写的，包含了HDFS、MapReduce、Yarn三大部分。

组件	配置文件	启动进程	备注
Hadoop HDFS	需修改	需启动 NameNode(NN)作为主节点 DataNode(DN)作为从节点 SecondaryNameNode(SNN)主节点辅助	分布式文件系统
Hadoop YARN	需修改	需启动 ResourceManager(RM)作为集群资源管理者 NodeManager(NM)作为单机资源管理者 ProxyServer代理服务器提供安全性 JobHistoryServer历史服务器记录历史信息和日志	分布式资源调度
Hadoop MapReduce	需修改	无需启动任何进程 MapReduce程序运行在YARN容器内	分布式数据计算

Hadoop集群 = HDFS集群 + YARN集群
图中是三台服务器，每个服务器上运行相应的JAVA进程

HDFS集群对应的web UI界面：http://namenode_host:9870(namenode_host是namenode运行所在服务器的ip地址)
YARN集群对应的web UI界面：http://resourcemanager_host:8088(resourcemanager_host是resourcemanager运行所在服务器的ip地址)

---

一、HDFS

1.1 HDFS简介

• HDFS的全称为Hadoop Distributed File System，是用来解决大数据存储问题的，分布式说明其是横跨多台服务器上的存储系统
• HDFS使用多台服务器存储文件，提供统一的访问接口，使用户像访问一个普通文件系统一样使用分布式文件系统
• HDFS集群搭建完成后有个抽象统一的目录树，可以向其中放入文件，底层实际是分块存储（物理上真的拆分成多个文件，默认128M拆分成一块）在HDFS集群的多个服务器上，具体位置是在hadoop的配置文件中所指定的
• HDFS只支持对文件进行移动，读取、删除、追加操作，不支持任意修改文件。（一次写入，多次读取。只能追加，不能修改。）

1.2 HDFS shell命令行

• 命令行界面（command-line interface，缩写：cli），指用户通过指令进行交互
• Hadoop操作文件系统shell命令行语法：hadoop fs [generic options]
• 大部分命令与linux相同

hadoop fs -ls file:///  # 操作本地文件系统
hadoop fs -ls hdfs://node1:8020/ # 操作HDFS文件系统，node1:8020是NameNode运行所在的机器和端口号
hadoop fs -ls / #直接根目录，没有指定则默认加载读取环境变量中fs.defaultFS的值，作为要读取的文件系统

上传文件到HDFS指定目录下

hadoop fs -put [-f] [-p] <localsrc> <dst>
# 将本地文件传到HDFS文件系统中
# -f 覆盖目标文件
# -p 保留访问和修改时间，所有权和权限
# <localsrc>本地文件系统中的文件（客户端所在机器），<dst>HDFS文件系统的目录

下载HDFS文件

hadoop fs -get [-f] [-p] <src> <localdst>
# 将本地文件传到HDFS文件系统中
# -f 覆盖目标文件
# -p 保留访问和修改时间，所有权和权限
# <src>HDFS文件系统中的文件，<localdst>本地文件系统的目录

追加数据到HDFS文件中

hadoop fs -appendToFile <localsrc>...<dst>
# <localsrc>本地文件系统中的文件，<dst>HDFS文件系统的文件（没有文件则自动创建）
# 该命令可以用于小文件合并

1.3 HDFS架构

HDFS包含3个进程NameNode、DataNode、SecondaryNameNode
（都是Java进程，可以在服务器上运行jps查看正在执行的java进程）

HDFS是主从模式（Master - Slaves），基础架构如下：

• NameNode： 维护和管理文件系统元数据，包括HDFS目录树结构，文件和块的存储位置、大小、访问权限等信息。NameNode是访问HDFS的唯一入口
• DataNode： 负责具体的数据块存储，定期向NameNode汇报心跳（默认每10分钟）信息
• SecondNameNode： 是NameNode的辅助节点，但不能替代NameNode。主要是进行元数据文件（FsImage和EditsLog）的合并并推送给NameNode。

• NameNode不持久化存储每个文件中各个块所在的DataNode的位置信息，这些信息在系统启动时从DataNode重建
• NameNode是Hadoop集群中的单点故障
• NameNode所在机器通常配置大内存（RAM），因为元数据都存在内存中，定时进行持久化存到磁盘中。
• DataNode所在机器通常配置大硬盘空间，因为数据存在DataNode中

HDFS集群部署举例：
node1、node2、node3表示三台服务器，形成一个集群：

node1服务器性能比较高，因此在node1上运行三个进程：NameNode、DataNode、SecondaryNameNode
在node2及node3上只运行DataNode进程

1.4 HDFS写数据流程

1. HDFS客户端创建对象实例DistributeFileSystem（Java类的对象），该对象中封装了与HDFS文件系统操作的相关方法。
2. 调用DistributeFileSystem对象的create()方法，通过RPC请求NameNode创建文件，NameNode执行各种检查判断：目标文件是否存在，客户端是否有权限等。检查通过后返回FSDataOutputStream输出流对象给客户端用于写数据。
3. 客户端用FSDataOutputStream开始写数据
4. 客户端写入数据时，将数据分成一个个数据包（packet 默认64k），内部组件DataStreamer请求NameNode挑选出适合存储数据副本的一组DataNode地址，默认是3副本存储（即3个DataNode）。DataStreamer将数据包流式传输（每一个packet 64k传输一次）到pipeline的第一个DataNode，第一个DataNode存储数据后传给第二个DataNode，第二个DataNode存储数据后传给第三个DataNode。
5. 传输的反方向上，会通过ACK机制校验数据包传输是否成功
6. 客户端完成数据写入后，在FSDataOutputStream输出流上调用close()方法关闭。
7. DistributeFileSystem告诉NameNode文件写入完成。

二、Yarn

2.1 Yarn简介

Yarn是一个通用资源管理系统和调度平台，可为上层应用提供统一的资源管理和调度。

通用： 不仅支持MapReduce程序，理论上支持各种计算程序，YARN只负责分配资源，不关心用资源干什么。
资源管理系统： 集群的硬件资源，和程序运行相关，比如内存、cpu等
调度平台： 多个程序同时申请计算资源如何分配，调度的规则

2.2 Yarn架构

Yarn与HDFS一样，也是主从模式，包含以下4个进程

• ResourceManager：管理整个群集的资源，负责协调调度各个程序所需的资源。（申请资源必须找RM）
• NodeManager：管理单个服务器的资源，负责调度单个服务器上的资源提供给应用程序使用。

NodeManager通过创建Container容器来分配服务器上的资源。
应用程序运行在NodeManager所创建的容器中。
一个服务器上可以创建多个Container容器，各Container容器之间相互独立，实现了一个服务器上跑多个程序。
Container容器是具体运行 Task（如 MapTask、ReduceTask）的基本单位。
一个NodeManager上会运行多个Container。

• ProxyServer代理服务器： ProxyServer默认继承在ResourceManager中，可以通过配置分离出来单独启动，可以提高YARN在开放网络中的安全性。
• JobHistoryServer历史服务器： 记录历史程序运行信息和日志，开放web ui提供用户通过网页访问日志。

YARN架构图：

ApplicationMaster(App Mstr)： 应用程序内的“老大”，负责程序内部各阶段的资源申请，管理整个应用。（当YARN上没有程序运行，则没有这个组件）

一个应用程序对应一个ApplicationMaster。
ApplicationMaster 运行在 Container 中，是应用程序的第一个Container，之后会请求ResourceManager要更多的Container，来运行应用的各个任务（比如 MapTask、ReduceTask）。
YARN 中运行的每个应用程序都有一个自己独立的 ApplicationMaster。（以MapReduce为例，其中的MRAppMaster就是对应的具体实现，管理整个MapReduce程序）

YARN集群部署举例：
node1、node2、node3表示三台服务器，形成一个集群：

node1性能高，因此在node1上运行四个进程：ResourceManager、NodeManager、ProxyServer、JobHistoryServer
在node2及node3上只运行NodeManager进程

2.3 Yarn调度器和调度算法

Hadoop作业调度器主要有三种：FIFO Scheduler（先进先出调度器）、Capacity Scheduler（容量调度器）和Fair Scheduler（公平调度器）
Apache Hadoop 3.1.3默认的资源调度器是CapacityScheduler。

• FIFO Scheduler：单队列，根据提交作业的先后顺序，依次执行
• Capacity Scheduler：多队列，每个队列配置一定的资源，每个队列内部采用FIFO策略
• Fair Scheduler：资源在每个用户之间公平共享，充分利用资源
• 

三、MapReduce

MapReduce只能用来做离线计算，不能做实时计算。
MapReduce程序在运行时有三类进程：

• MRAppMaster：负责整个MR程序的过程调度及状态协调
• MapTask： 负责map阶段的整个数据处理流程
• ReduceTask： 负责reduce阶段的整个数据处理流程，一个ReduceTask输出一个文件，多个ReduceTask则会输出多个文件

1. 在一个MR程序中MRAppMaster只有一个，MapTask和ReduceTask可以有一个也可以有多个
2. 在一个MR程序中只能包含一个Map阶段和一个Reduce阶段，或者只有Map阶段
3. 在整个MR程序中，数据都是以kv键值对的形式流转的

MapReduce整体执行流程图：
左边是maptask，右边是reducetask，红框里是shuffle过程（shuffle包含了map和reduce）

2.1 map阶段执行过程（2次排序，溢出之前进行排序（快速排序），所有溢出文件合并后排序（归并排序））

• 第一阶段： 把所要处理的文件进行逻辑切片（默认是每128M一个切片），每一个切片由一个MapTask处理。

hdfs中文件存储的block默认也是128M，是物理切片，真的将文件拆开
mapreduce的切片是逻辑切片，并不会将文件拆开
例如mapreduce设置切片为100M，一个文件512M，HDFS上存储为4个block，逻辑切片为6个，开启6个MapTask执行计算

• 第二阶段： 按行读取切片中的数据，返回<key,value>对，key对应行数，value是本行的文本内容
• 第三阶段： 调用Mapper类中的map方法处理数据，每读取解析出来一个<key,value>，调用一次map方法
• 第四阶段（默认不分区）： 对map输出的<key,value>对进行分区partition。默认不分区，因为只有一个reducetask，分区的数量就是reducetask运行的数量。
• 第五阶段： Map输出数据写入内存缓冲区，达到比例溢出到磁盘上。溢出spill之前会根据key按照字典序（a~z）对每个溢出文件内部进行排序sort（这一步会溢出很多排序好的小文件）
• 第六阶段： 对所有溢出的文件进行最终的merge合并，合并后再次排序，形成一个文件（即确保一个maptask只输出一个文件）

2.2 reduce阶段执行过程（1次排序，所有maptask输出的文件合并后进行排序（归并排序））

• 第一阶段： ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据
• 第二阶段： 把拉取来的数据，全部进行合并merge，即把分散的数据合并成一个大的数据，再对合并后的数据进行排序
• 第三阶段： 对排序后的<key,value>调用reduce方法，key相同<key,value>调用一次reduce方法。最后把输出的键值对写入到HDFS中

2.3 shuffle机制

• shuffle指的是将map端的无规则输出变成具有一定规则的数据，便于reduce端接收处理。
• 一般把从Map产生输出开始到Reduce取得数据作为输入之前的过程称为Shuffle
• Shuffle过程是横跨map和reduce两个阶段的，分别称为Map端的Shuffle和Reduce端的Shuffle
• Shuffle中频繁涉及到数据在内存、磁盘之间的多次往复，是导致mapreduce计算慢的原因
• 分组、排序、Combiner、分组