hadoop基本概念.pdf

hadoop 基本概念 一、hadoop 基本概念 hadoop 包括两个核心组成： HDFS ：分布式文件系统，存储海量的数据 MapReduce ：并行处理框架，实现任务分解和调度。 整个 HDFS 三个重要角色：NameNode、DataNode 和 Client。NameNode 可以看作是分布式文件系统中的管理者，主要 负责管理文件系统的命名空间、集群配置信息和存储块的复制等。NameNode 会将文件系统的 Meta-data 存储在内存中， 这些信息主要包括了文件信息、每一个文件对应的文件块的信息和每一个文件块在 DataNode 的信息等。DataNode 是文件 存储的基本单元，它将 Block 存储在本地文件系统中，保存了 Block 的 Meta-data ，同时周期性地将所有存在的Block 信息 发送给 NameNode。Client 就是需要获取分布式文件系统文件的应用程序。 MapReduce 是现今一个非常流行的分布式计算框架，它被设计用于并行计算海量数据。第一个提出该技术框架的是 Google 公司，而 Google 的灵感则来自于函数式编程语言，如 LISP ，Scheme ，ML 等。MapReduce 框架的核心步骤主要分两部 分：Map 和 Reduce。当你向 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。 二、hadoop 运行机制 关于 hadoop 的运行机制，这里由于笔者还没真正弄透彻，只是知道一个大致的处理思想。下面就贴几张比较形象的图片： HDFS ： 文件写入： Client 向 NameNode 发起文件写入的请求。 1 / 10 NameNode 根据文件大小和文件块配置情况，返回给 Client 它所管理部分 DataNode 的信息。 Client 将文件划分为多个 Block ，根据DataNode 的地址信息，按顺序写入到每一个 DataNode 块中。 文件读取： Client 向 NameNode 发起文件读取的请求。 NameNode 返回文件存储的 DataNode 的信息。 Client 读取文件信息。 文件 Block 复制： NameNode 发现部分文件的 Block 不符合最小复制数或者部分 DataNode 失效。 通知 DataNode 相互复制 Block。 DataNode 开始直接相互复制。 MapReduce 工作原理： 一切都是从最上方的 user program 开始的，user program 链接了 MapReduce 库，实现了最基本的 Map 函数和 Reduce 函数。 MapReduce 库先把 user program 的输入文件划分为 M 份（M 为用户定义），每一份通常有 16MB 到 64MB ，如图左方 所示分成了 split0~4(文件块) ；然后使用fork 将用户进程拷贝到集群内其它机器上。 user program 的副本中有一个称为 master ，其余称为worker ，master 是负责调度的，为空闲 worker 分配作业（Map 作 业或 Reduce 作业），worker 数量可由用户指定的。 被分配了 Map 作业的 worker ，开始读取对应文件块的输入数据，Map 作业数量是由 M 决定的，和 split 一一对应；Map 2 / 10 作业(包含多个 map 函数)从输入数据中抽取出键值对，每一个键值对都作为参数传递给 map 函数，map 函数产生的中间键 值对被缓存在内存中。 缓存的中间键值对会被定期写入本地磁盘。主控进程知道 Reduce 的个数，比如 R 个（通常用户指定）。然后主控进程通常 选择一个哈希函数作用于键并产生 0~R-1 个桶编号。Map 任务输出的每个键都被哈希起作用，根据哈希结果将 Map 的结果 存放到 R 个本地文件中的一个（后来每个文件都会指派一个 Reduce 任务）。 master 通知分配了 Reduce 作业的 wo