欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

hadoop个人总结

程序员文章站 2024-01-10 19:45:46
一.hadoop入门–HDFS1.大数据特点大量 ; 高速 ; 多样 ;低价值密度2.hadoop是什么hadoop是由Apache基金会所开发的分布式系统基础架构主要解决:海量数据的存储和海量数据的分析计算问题3.hadoop的优势a.高可靠性:多副本机制,有某个计算元素或存储出现故障,数据也不会流失b.高扩展性c.高效性:基于MapReduce的思想机制,hadoop并发工作d.高容错性:能够自动将失败的任务重新分配4.hadoop组成1...

一.hadoop入门–HDFS

1.大数据特点

大量 ; 高速 ; 多样 ;低价值密度

2.hadoop是什么

hadoop是由Apache基金会所开发的分布式系统基础架构

主要解决:海量数据的存储和海量数据的分析计算问题

3.hadoop的优势

a.高可靠性:多副本机制,有某个计算元素或存储出现故障,数据也不会流失

b.高扩展性

c.高效性:基于MapReduce的思想机制,hadoop并发工作

d.高容错性:能够自动将失败的任务重新分配

4.hadoop组成

1.hadoop1.x和hadoop2.x的区别

​ 1.x: MapReduce(计算+资源调度)++HDFS(数据存储)++Common(辅助工具)

​ 2.x: MapReduce(计算)++yarn(资源调度)++HDFS(数据存储)++Common(辅助工具)

总结:在hadoop1.x时代,hadoop中的MapReduce同时处理业务逻辑运算和资源调度,耦合性较大,在hadoop2.x,增加了Yarn.Yarn只负责资源调度,MapReduce只负责计算

5.hadoop存储文件块分块原理

​ 分块存储:HDFS中的文件在物理上市分块存储(Block),块的大小可以通过参数配置(dfs.blocksize)来规定,默认大小在2x版本中是128M,在老版本中是64M.

​ 128M的原因分析:假设寻址时间为10ms,据参阅资料显示,寻址时间为传输时间的1%市,为最佳工作状态,因此

​ 传输时间=10ms/1%=1000ms=1s

​ 目前磁盘的传输速度普遍为100MB/S,所以:

​ 块大小=1s*100M/s=100M

​ 又因计算机底层是二进制,128是离100M最近的参数大小,所以默认为128M

hadoop个人总结

总结:块的大小本质上取决于磁盘的传输速度

思考:为什么块的大小不能太大也不能太小?

​ 太小:会增加寻址时间,程序一直在寻找块的开始位置

​ 太大:从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间,导致程序在处理这块数据时会非常慢.

6.HDFS读写数据流程分析

①写入数据流程

假设集群有三个datanote节点

​ (1):客户端通过DistributedFileSystem向NameNote发出请求上传数据请求

​ (2):NameNote收到请求信息,返回给客户端是否可以上传数据

​ (3):客户端请求上传第一个Block,并请求返回上传的具体DataNote节点信息

​ (4):NameNote返回客户端三个节点,dn1,dn2,dn3

​ (5)客户端与离自己节点距离最近的dn请求建立连接(假设dn1),dn1收到后会向离自己较进的dn2建立传输通道,dan2再去寻找dn3,此时,整个传输通道建立完毕

​ (6)dn1,dn2,dn3逐级响应客户端

​ (7)客户端开始往dn1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,dn1收到一个Packet就会传给dn2,dn2传给dn3;dn1每传一个packet会放入一个应答队列等待应答。

​ 一个Packet的大小为64kb,Packet传输也不是一次性传输完成,而是每一次分成512b的文件小块和5b的校验和传输.

​ (8)当一个Block传输完成之后,客户端再次请求NameNode上传第二个Block的服务器。(重复执行3-7步)。

hadoop个人总结

②读取数据流程

​ (1)客户端通过Distributed FileSystem向NameNode请求下载文件,NameNode通过查询元数据,找到文件块所在的DataNode地址。

​ (2)挑选一台DataNode(就近原则,然后随机)服务器,请求读取数据。

​ (3)DataNode开始传输数据给客户端(从磁盘里面读取数据输入流,以Packet为单位来做校验)。

​ (4)客户端以Packet为单位接收,先在本地缓存,然后写入目标文件。

注意:每一次读取只会在当前节点读取一块数据,下一块数据将会在其他节点上随机读取

hadoop个人总结

7.DataNote和SecondaryNameNote的工作机制

​ 思考:NameNode中的元数据是存储在哪里的?

​ 首先,我们做个假设,如果存储在NameNode节点的磁盘中,因为经常需要进行随机访问,还有响应客户请求,必然是效率过低。因此,元数据需要存放在内存中。但如果只存在内存中,一旦断电,元数据丢失,整个集群就无法工作了。因此产生在磁盘中备份元数据的FsImage。

​ 这样又会带来新的问题,当在内存中的元数据更新时,如果同时更新FsImage,就会导致效率过低,但如果不更新,就会发生一致性问题,一旦NameNode节点断电,就会产生数据丢失。因此,引入Edits文件(只进行追加操作,效率很高)。每当元数据有更新或者添加元数据时,修改内存中的元数据并追加到Edits中。这样,一旦NameNode节点断电,可以通过FsImage和Edits的合并,合成元数据。

​ 但是,如果长时间添加数据到Edits中,会导致该文件数据过大,效率降低,而且一旦断电,恢复元数据需要的时间过长。因此,需要定期进行FsImage和Edits的合并,如果这个操作由NameNode节点完成,又会效率过低。因此,引入一个新的节点SecondaryNamenode,专门用于FsImage和Edits的合并。

​ Fsimage:NameNode内存中元数据序列化后形成的文件。

​ Edits:记录客户端更新元数据信息的每一步操作(可通过Edits运算出元数据)。

​ NameNode启动时,先滚动Edits并生成一个空的edits.inprogress,然后加载Edits和Fsimage到内存中,此时NameNode内存就持有最新的元数据信息。Client开始对NameNode发送元数据的增删改的请求,这些请求的操作首先会被记录到edits.inprogress中(查询元数据的操作不会被记录在Edits中,因为查询操作不会更改元数据信息),如果此时NameNode挂掉,重启后会从Edits中读取元数据的信息。然后,NameNode会在内存中执行元数据的增删改的操作。

​ 由于Edits中记录的操作会越来越多,Edits文件会越来越大,导致NameNode在启动加载Edits时会很慢,所以需要对Edits和Fsimage进行合并(所谓合并,就是将Edits和Fsimage加载到内存中,照着Edits中的操作一步步执行,最终形成新的Fsimage)。SecondaryNameNode的作用就是帮助NameNode进行Edits和Fsimage的合并工作。

​ SecondaryNameNode首先会询问NameNode是否需要CheckPoint(触发CheckPoint需要满足两个条件中的任意一个,定时时间到和Edits中数据写满了)。直接带回NameNode是否检查结果。SecondaryNameNode执行CheckPoint操作,首先会让NameNode滚动Edits并生成一个空的edits.inprogress,滚动Edits的目的是给Edits打个标记,以后所有新的操作都写入edits.inprogress,其他未合并的Edits和Fsimage会拷贝到SecondaryNameNode的本地,然后将拷贝的Edits和Fsimage加载到内存中进行合并,生成fsimage.chkpoint,然后将fsimage.chkpoint拷贝给NameNode,重命名为Fsimage后替换掉原来的Fsimage。NameNode在启动时就只需要加载之前未合并的Edits和Fsimage即可,因为合并过的Edits中的元数据信息已经被记录在Fsimage中。

工作图解
hadoop个人总结

8.思考题

1.思考:可以看出,Fsimage中没有记录块所对应DataNode,为什么?

​ 在集群启动后,要求DataNode上报数据块信息,并间隔一段时间后再次上报。

2.思考:NameNode如何确定下次开机启动的时候合并哪些Edits?

​ 答:合并2nn在最后一次合并后没来得及合并的Edits信息.

本文地址:https://blog.csdn.net/weixin_49634383/article/details/107598539

相关标签: hadoop