【大數據】瞭解Hadoop框架的基礎知識

介紹此Refcard提供了Apache Hadoop，這是最流行的軟體框架，可使用簡單的高級編程模型實現大型數據集的分散式存儲和處理。我們將介紹Hadoop最重要的概念，描述其架構，指導您如何開始使用它以及在Hadoop上編寫和執行各種應用程式。簡而言之，Hadoop是Apache Softwa ...

介紹

此Refcard提供了Apache Hadoop，這是最流行的軟體框架，可使用簡單的高級編程模型實現大型數據集的分散式存儲和處理。我們將介紹Hadoop最重要的概念，描述其架構，指導您如何開始使用它以及在Hadoop上編寫和執行各種應用程式。

簡而言之，Hadoop是Apache Software Foundation的一個開源項目，可以安裝在伺服器集群上，以便這些伺服器可以通信並協同工作來存儲和處理大型數據集。Hadoop近年來因其有效處理大數據的能力而變得非常成功。它允許公司將所有數據存儲在一個系統中，並對這些數據進行分析，否則傳統解決方案不可能或非常昂貴。

圍繞Hadoop構建的許多配套工具提供了各種各樣的處理技術。與輔助系統和實用程式的集成非常出色，使Hadoop的實際工作更輕鬆，更高效。這些工具共同構成了Hadoop生態系統。

您可以將Hadoop視為大數據操作系統，從而可以在所有龐大的數據集上運行不同類型的工作負載。其範圍從離線批處理到機器學習再到實時流處理。

熱門提示：訪問http://hadoop.apache.org以獲取有關項目的更多信息並訪問詳細文檔。

要安裝Hadoop，您可以從http://hadoop.apache.org獲取代碼或（更推薦）使用其中一個Hadoop發行版。三種最廣泛使用的來自Cloudera（CDH），Hortonworks（HDP）和MapR。Hadoop發佈是Hadoop生態系統捆綁在一起的一組工具，由相應的供應商保證，可以很好地協同工作。此外，每個供應商都提供工具（開源或專有）來配置，管理和監控整個平臺。

設計理念

為瞭解決處理和存儲大型數據集的挑戰，Hadoop是根據以下核心特征構建的：

分發 - 存儲和處理不是構建一臺大型超級電腦，而是分佈在一組通信和協同工作的小型機器上。
橫向可擴展性 - 只需添加新電腦即可輕鬆擴展Hadoop集群。每台新機器都會按比例增加Hadoop集群的總存儲和處理能力。
容錯 - 即使少數硬體或軟體組件無法正常工作，Hadoop仍可繼續運行。
成本優化 - Hadoop不需要昂貴的高端伺服器，無需商業許可即可正常工作。
編程抽象 - Hadoop負責處理與分散式計算相關的所有混亂細節。藉助高級API，用戶可以專註於實現解決現實問題的業務邏輯。
數據位置 - Hadoop不會將大型數據集移動到運行應用程式的位置，而是運行數據已經存在的應用程式。

Hadoop組件

Hadoop分為兩個核心組件：

HDFS - 分散式文件系統。
YARN - 集群資源管理技術。

熱門提示：許多執行框架在YARN之上運行，每個框架都針對特定用例進行了調整。最重要的內容將在下麵的“YARN Applications”中討論。

讓我們仔細看看他們的架構並描述他們如何合作。

HDFS

HDFS是一個Hadoop分散式文件系統。它可以在您需要的任意數量的伺服器上運行 - HDFS可以輕鬆擴展到數千個節點和數PB的數據。

HDFS設置越大，某些磁碟，伺服器或網路交換機出現故障的概率就越大。HDFS通過在多個伺服器上複製數據來幸免於這些類型的故障。HDFS自動檢測給定組件是否已發生故障，並採取對用戶透明的必要恢復操作。

HDFS設計用於存儲數百兆位元組或千兆位元組的大型文件，併為它們提供高吞吐量的流數據訪問。最後但同樣重要的是，HDFS支持一次寫入多次讀取模型。對於這個用例，HDFS就像一個魅力。但是，如果您需要存儲大量具有隨機讀寫訪問許可權的小文件，那麼其他系統（如RDBMS和Apache HBase）可以做得更好。

註意：HDFS不允許您修改文件的內容。只支持在文件末尾附加數據。但是，Hadoop設計的HDFS是眾多可插拔存儲選項之一 - 例如，使用專有文件系統MapR-F，文件完全可讀寫。其他HDFS替代品包括Amazon S3，Google Cloud Storage和IBM GPFS。

HDFS的體繫結構

HDFS由在選定群集節點上安裝和運行的以下守護程式組成：

NameNode - 負責管理文件系統命名空間（文件名，許可權和所有權，最後修改日期等）以及控制對存儲在HDFS中的數據的訪問的主進程。如果NameNode已關閉，則無法訪問您的數據。幸運的是，您可以配置多個NameNode，以確保此關鍵HDFS進程的高可用性。
DataNodes - 安裝在集群中每個工作節點上的從屬進程，負責存儲和提供數據。

圖1說明瞭在4節點集群上安裝HDFS。其中一個節點托管NameNode守護程式，而其他三個運行DataNode守護程式。

註意：NameNode和DataNode是在Linux發行版之上運行的Java進程，例如RedHat，Centos，Ubuntu等。他們使用本地磁碟存儲HDFS數據。

HDFS將每個文件拆分為一系列較小但仍然較大的塊（預設塊大小等於128MB - 較大的塊意味著更少的磁碟搜索操作，從而導致更大的吞吐量）。每個塊都冗餘地存儲在三個DataNode上以實現容錯（每個文件的副本數量是可配置的）。

圖2說明瞭將文件拆分為塊的概念。文件X被分成塊B1和B2，文件Y僅包括一個塊B3。所有塊都在群集中複製兩次。

與HDFS交互

HDFS提供了一個簡單的POSIX類介面來處理數據。您使用hdfs dfs命令執行文件系統操作。

熱門提示：要開始使用Hadoop，您不必完成設置整個群集的過程。Hadoop可以在一臺機器上以所謂的偽分散式模式運行。您可以下載已安裝所有HDFS組件的沙盒虛擬機，並立即開始使用Hadoop！只需按照以下鏈接之一：

http://www.mapr.com/products/mapr-sandbox-hadoop

http://hortonworks.com/products/hortonworks-sandbox/#install

https://www.cloudera.com/downloads/quickstart_vms/5-12.html

以下步驟說明瞭HDFS用戶可以執行的典型操作：

列出主目錄的內容：

$ hdfs dfs -ls /user/adam

將文件從本地文件系統上傳到HDFS：

$ hdfs dfs -put songs.txt /user/adam

從HDFS讀取文件的內容：

$ hdfs dfs -cat /user/adam/songs.txt

更改文件的許可權：

$ hdfs dfs -chmod 700 /user/adam/songs.txt

將文件的複製因數設置為4：

$ hdfs dfs -setrep -w 4 /user/adam/songs.txt

檢查文件的大小：

`$ hdfs dfs -du -h /user/adam/songs.txt

在主目錄中創建一個子目錄。請註意，相對路徑始終引用執行命令的用戶的主目錄。HDFS上沒有“當前”目錄的概念（換句話說，沒有相當於“cd”命令）：

$ hdfs dfs -mkdir songs

將文件移動到新創建的子目錄：

$ hdfs dfs -mv songs.txt songs/

從HDFS中刪除目錄：

$ hdfs dfs -rm -r songs

註意：已刪除的文件和目錄將移至回收站（HDFS上主目錄中的.Trash）並保留一天，直到它們被永久刪除。您只需將它們從.Trash複製或移動到原始位置即可恢復它們。

熱門提示：您可以在不使用任何參數的情況下鍵入hdfs dfs，以獲取可用命令的完整列表。

如果您更喜歡使用圖形界面與HDFS交互，您可以查看免費和開源的HUE（Hadoop用戶體驗）。它包含一個方便的“文件瀏覽器”組件，允許您瀏覽HDFS文件和目錄並執行基本操作。

您還可以使用HUE通過“上傳”按鈕直接從電腦將文件上傳到HDFS。

YARN（Yet Another Resource Negotiator）負責管理Hadoop集群上的資源，並支持運行處理存儲在HDFS上的數據的各種分散式應用程式。

與HDFS類似，YARN遵循主從設計，ResourceManager進程充當主設備，多個NodeManager充當工作者。他們有以下責任：

的ResourceManager

跟蹤實時NodeManagers以及群集中每台伺服器上的可用計算資源量。
為應用程式分配可用資源。
監視Hadoop集群上所有應用程式的執行情況。

節點管理器

管理Hadoop集群中單個節點上的計算資源（RAM和CPU）。
運行各種應用程式的任務，並強制它們在指定的計算資源的限制範圍內。

YARN以資源容器的形式將集群資源分配給各種應用程式，資源容器表示RAM量和CPU核心數量的組合。

在YARN群集上執行的每個應用程式都有自己的ApplicationMaster進程。在群集上調度應用程式並協調此應用程式中所有任務的執行時，此過程開始。

圖3說明瞭YARN守護程式在運行兩個應用程式的4節點集群上的合作，這些應用程式總共產生了7個任務。

Hadoop = HDFS + YARN

在同一群集上運行的HDFS和YARN守護程式為我們提供了一個用於存儲和處理大型數據集的強大平臺。

DataNode和NodeManager進程在同一節點上並置以啟用數據位置。這種設計使得能夠在存儲數據的機器上執行計算，從而最小化通過網路發送大塊數據的必要性，這導致更快的執行時間。

YARN應用程式

YARN只是一個資源管理器，它知道如何將分散式計算資源分配給在Hadoop集群上運行的各種應用程式。換句話說，YARN本身不提供任何可以分析HDFS中數據的處理邏輯。因此，必須將各種處理框架與YARN集成（通過提供ApplicationMaster的特定實現）以在Hadoop集群上運行並處理來自HDFS的數據。

下麵列出了最流行的分散式計算框架的簡短描述，這些框架可以在由YARN支持的Hadoop集群上運行。

MapReduce - Hadoop的傳統和最古老的處理框架，將計算表示為一系列map和reduce任務。它目前正被Spark或Flink等更快的引擎所取代。
Apache Spark - 一種用於大規模數據處理的快速通用引擎，可通過在記憶體中緩存數據來優化計算（後面部分將詳細介紹）。
Apache Flink - 高吞吐量，低延遲的批處理和流處理引擎。它以其強大的實時處理大數據流的能力而著稱。您可以在這篇全面的文章中找到Spark和Flink之間的差異：https：//dzone.com/articles/apache-hadoop-vs-apache-spark
Apache Tez - 一個旨在加快Hive執行SQL查詢的引擎。它可以在Hortonworks數據平臺上獲得，它將MapReduce替換為Hive的執行引擎。