1.Hadoop框架
1.1框架与Hadoop架构简介
(1)广义解释
从广义上来说,随着大数据开发技术的快速发展与逐步成熟,在行业里,Hadoop可以泛指为:Hadoop生态圈。
也就是说,Hadoop指的是大数据生态圈整体。
(2)狭义解释
从狭义上来说,Hadoop是指Hadoop这个开源框架,它的核心组件有:
a)HDFS(分布式文件系统):解决海量数据存储;
b)MapReduce(分布式计算):解决海量数据计算;
c)YARN(作业资源调度):解决资源任务调度。
为什么大数据框架Hadoop需要引入分布式技术呢?
分布式指的是:多台计算机(或服务器)完成不同事情。
比如,多台电脑完成不同工作,类似于:一个餐厅厨房有3个人,一个人买菜、一个人切菜、一个人炒菜,效率提高了
从广义上来说,Hadoop指的是Hadoop大数据生态圈;而从狭义上而言,Hadoop是指Hadoop开源框架。
2.HDFS组件
2.1HDFS简介
HDFS(Hadoop Distribute File System)指的是:Hadoop分布式文件系统,是Hadoop核心组件之一,用于提供分布式存储服务。
HDFS分布式文件系统的基础架构是怎样的呢?包含三个角色:
(1)NameNode主节点
HDFS系统的主角色,是一个独立的进程。
a)负责管理HDFS整个文件系统;
b)负责管理DataNode。
(2)DataNode从节点
HDFS系统的从角色,是一个独立进程。
a)主要负责数据的存储,即存入数据和取出数据。
(3)Secondary NameNode辅助节点
NameNode的辅助,是一个独立进程。
a)主要帮助NameNode完成元数据整理工作(打杂)。[Hive]
(1)数据信息存储在了HDFS分布式文件系统中
(2)使用DataGrip客户端编写HQL程序
(3)MySQL存储元数据,且映射存储在HDFS中的数据信息
由于单机存储性能有限,此时,采用更多数量的服务器提供分布式存储,可以实现1+1>2的效果。
2.2 管理数据资源
1,分块管理
当有了HDFS分布式文件存储系统,就可以来存储数据文件了。
那么,当把大小不一的数据文件存储到各台服务器中,会遇到什么麻烦呢?
(1)在hdfs-site.xml文件中配置[了解]
要如何设置默认文件上传到HDFS中拥有的副本数量呢?路径名:
/export/server/hadoop/etc/hadoop/hdfs-site.xml
# 在文件中的<configuration>标签内做设定.
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
HDFS在使用分块管理数据的同时,还对数据块进行了备份处理,并实现了三副本机制。
2.3edits与fsimage
我们知道,在HDFS中,文件是被划分了一堆堆的block块
那么,如果文件很大且很多,而HDFS又是如何记录及整理文件和block块的关系呢?
实际上,NameNode主节点就会负责处理这些问题。
在NameNode主节点中,有:
(1)edits:负责记录文件、块信息,有很多edits
(2)fsimage:会将多个edits合并为fsimage
(1)edits
edits是一个流水账文件,记录了HDFS中的每一次操作,以及本次操作影响的文件及对应的block信息。
(2)fsimage
为了操作便捷,会将全部的edits,都合并为最终结果,此时,就得到了一个fsimage文件。
通常地,edits用于记录每一次操作,多个或所有edits文件合并成fsimage。
2.4查看元数据文件
了解了edits和fsimage后,则会有个问题产生:edits和fsimage存放在哪呢?
(1)NameNode存放路径:
edits和fsimage路径: /export/data/hadoop/dfs/name/current
(2)DataNode存放路径
edits和fsimage路径: /export/data/hadoop/dfs/data/current
在HDFS基础架构的不同角色中,对于元数据的处理遵循:
(1)NameNode:元数据管理维护
(2)SecondaryNameNode:元数据合并
(1)NameNode:元数据管理维护
NameNode基于edits和FSImage的配合,会完成整个文件系统数据文件的管理:
a)每次对HDFS的操作,均被edits文件记录
b)edits达到大小上限后,会开启新的edits记录
c)定期进行edits的合并操作
如当前没有fsimage文件,会将全部edits合并为第一个fsimage;
如当前已存在fsimage文件,将全部edits和已存在的fsimage进行合并,形成新的fsimage;
d)重复123流程。
(2)SecondaryNameNode:元数据合并
SecondaryNameNode会通过http从NameNode拉取数据(edits和fsimage),然后合并完成后,定期提供给NameNode使用。
对于元数据的合并,是一个定时过程,只要有一个达到条件就执行。基于:
dfs.namenode.checkpoint.period,默认3600(秒)即1小时
dfs.namenode.checkpoint.txns,默认1000000,即100W次事务
检查是否达到条件,默认60秒检查一次,基于:
dfs.namenode.checkpoint.check.period,默认60(秒),来决定
2.5元数据存储原理
HDFS的基础架构为:
(1)NameNode主节点
用于管理HDFS元数据(文件路径,文件的大小,文件的名字,文件权限,文件的block切片信息….)。
(2)DataNode从节点
用于真正存储数据块。
(3)Secondary NameNode辅助节点
用于辅助NameNode,并分担其工作量。
元数据在NameNode、Secondary NameNode之间是怎么来存储的呢?
(1)NameNode
1)NameNode第一次启动时,先把最新的fsimage文件中内容加载到内存中,同时会把
edits文件中内容也加载到内存中;
2)客户端发起指令(增删改查等操作),NameNode接收到客户端指令把每次产生的新的指令操作先放到内存中;
3)然后把刚才内存中新的指令操作写入到edits_inprogress文件中;
4)edits_inprogress文件中数据到了一定阈值的时候,把文件中历史操作记录写入到序列化的edits备份文件中(同时更新文件名);
5)NameNode就在上述2-4步中循环操作...
(2)Secondary NameNode
1)当Secondary NameNode检测到自己距离上一次检查点(checkpoint)已经1小时或者事务数达到100w,就触发Secondary NameNode询问NameNode是否对edits文件和fsimage文件进行合并操作;
2)NameNode告知可以进行合并;
3)Secondary NameNode将NameNode上积累的所有edits和一个最新的fsimage下载/拉取到本地,并加载到内存进行合并(这个过程称检查点checkpoint);
4)Secondary NameNode把刚才合并后的fsimage.checkpoint文件拷贝给NameNode;
5)NameNode把拷贝过来的最新的fsimage.checkpoint文件,重命名为fsimage,覆盖原来的文件。
一般地,edits、fsimage存储的文本内容都进行了序列化和反序列化操作,因此内容基本乱码。
2.6HDFS存储原理
副本机制
当使用HDFS分布式文件系统存储数据时,遵循三个原理机制:(1)副本机制
(2)负载均衡机制
(3)心跳机制
副本机制指的是:为了保证数据安全和效率,每个block块会默认切割为128MB(134217728字节),且block块信息会存储多个副本,默认是3个。
而当存储多个副本,满足条件:
(1)第一副本保存在客户端所在服务器;
(2)第二副本保存在和第一副本不同机架服务器上;
(3)第三副本保存在和第二副本相同机架的不同服务器中。
Rack是机架名称,Node是服务器名称。机架与服务器之间满足:
(1)一个机架上,可以安装多台服务器
(2)一个服务器中,运行一个DataNode服务
block如何选择写入副本的DataNode呢?
a)第一个副本选择本地机架,距离近,上传速度快;
b)第二个副本选择远程机架的随机节点,保证数据的可靠性;
c)第三个副本选择第二个副本所在机架的随机节点,而不是其他机架,是同时兼顾可靠性+效率的。
当备份第2、3个副本时,通常存放在一个机架中,遵循就近原则。
2.7负载均衡机制
负载均衡就是一种计算机网络技术,用来在计算机集群、网络连接、CPU、磁盘或其他资源中分配负载,以达到最佳化资源使用、最大化吞吐率、最小化响应时间,同时避免过载的目的。
通俗地说,负载均衡就是给各个服务器node分配的任务尽可能均匀一些,不至于谁特别闲,谁又特别忙。
负载均衡机制是NameNode为了保证不同的DataNode中block块信息大体一致,而分配存储任务时,会优先保存在存储容量比较大的DataNode上。
一般地,集群往往需要通过负载均衡,来对外提供服务。而HDFS存储数据时,也遵循负载均衡机制。
在负载均衡机制下,节点的磁盘利用率会尽可能的均等。
比如,在集群环境中,不同服务器存储的block信息效果。
虽然HDFS存储数据时,遵循负载均衡,但这种均衡属于相对均衡,即尽可能均等分配。
2.8心跳机制
心跳机制就是每隔几分钟发送一个固定信息给服务端,服务端收到后回复一个固定信息。如果服务端几分钟内,没有收到客户端信息,则视客户端已断开。发包方可以是
客户端,也可以是服务端,具体看哪边实现更方便、合理。
(1)DataNode每隔3秒钟向NameNode汇报自己的状态信息;
(2)如果某个时刻,DataNode连续10次不汇报了,NameNode会认为DataNode有可能宕机了;
(3)NameNode就会每5分钟(300000毫秒)继续发送一次确认消息,连续2次没有收到回复,就认定DataNode此时一定宕机了。
2.9HDFS读写数据
HDFS写入数据流程
在HDFS写入数据时,有几个注意事项:
(1)数据包
每次读取64kb大小的数据,称之为一个packet数据包。然后将packet数据包写入一个队列中,反复多次读完文件的全部数据,且都会写入到队列(data queue)中;
(2)记录信息
NameNode会对文件进行一系列检查,比如是否有同名文件、路径对不对等,并记录新文件的信息到元数据中,以及记录文件写入的数据块信息
(3)保存副本
NameNode会管理对应的DataNode,确认数据是否已经被保存在block块中。当检测到至少保存了一个副本的数据,则认为数据已保存成功。
写入流程:
1)客户端给NameNode,发起写入数据的请求;
2)NameNode接收到客户端请求后,开始校验(是否有权限、路径是否存在、文件是否
存在等),如果校验成功,就告知客户端可以准备写入数据;
3)客户端收到可以写入的消息后,开始把文件数据分割成默认128MB大小的block块,并且把block块数据拆分成64kb的packet数据包,然后放入传输队列;
4)客户端携带block块信息,再次向NameNode发送请求,获取能够存储block块的DataNode列表;
5)NameNode查看当前距离上传位置较近且不忙的DataNode,放入列表中,返回给客户端;
6)客户端连接DataNode,开始发送packet数据包,第一个DataNode接收完后,就给客户端ack应答(客户端就可以传入下一个packet数据包),同时第一个DataNode开始复制刚才接收到的数据包给DataNode2,接收后也复制给DataNode3(复制成功也需要返回ack应答),最终建立了pipeline传输通道以及ack应答通道;
7)其他packet数据包,根据第一个packet数据包经过的传输通道和应答通道,循环传入packet,直到当前block块传输完成(存储了block信息的DataNode需要把已经存储的块信息定期的同步给NameNode);
8)其他block块数据存储,反复多次执行上述4-7步,直到所有block块传输完成,意味着文件数据被写入成功(NameNode把该文件的元数据也要保存);
9)最后客户端和NameNode互相确认,文件数据已经保存完成。
2.10HDFS读取数据流程
在HDFS读取数据时,有几个注意事项:
NameNode会对文件进行一系列检查,比如如文件是否存在,是否有权限获取等。
读取流程:
1)客户端给NameNode发送读取文件请求;
2)NameNode接收到请求,然后进行一系列校验(路径是否存在、文件是否存在、是否有权限等),如果没有问题,就告知可以开始读取;
3)客户端需要再次和NameNode确认当前文件在哪些DataNode中存储;
4)NameNode查看当前距离下载位置较近且不忙的DataNode,放入列表中返回给客户端;
5)客户端找到最近的DataNode开始读取文件对应的block块信息(每次传输是以64kb的packet数据包),放到内存缓冲区中;
6)接着读取其他block块信息,循环上述3-5步,直到所有block块读取完毕(根据块编号拼接成完整数据);
7)最后从内存缓冲区把数据通过流写入到目标文件中。
3,归档模式
,为什么要归档呢?
在存入数据文件到HDFS时,会发现每个小文件单独存放到HDFS都会占用一个block块,那么HDFS就需要依次存储每个小文件的元数据信息,浪费资源。当然,归档后也更加便于集中管理!
当要对一些数据文件进行归档时,语法:
hadoop archive -archiveName 归档名称.har -p 原始文件的目录 归档文件的存储目录
归档后文件结尾为.har。
若要查看归档后的目录或文件信息,可以使用命令:
# 查看文件或目录列表信息
hdfs dfs -ls 目录或文件名
# 查看文件内容
hdfs dfs -cat 文件名
# 查看归档内的单个文件内容
hdfs dfs -cat har:///xxx/归档名称.har/文件名
hadoop archive -archiveName test.har -p
/itheima/code /arch
3.1垃圾桶机制
垃圾桶模式,类似于Windows系统的回收站
(1)未设定垃圾桶模式时
删除数据则无法恢复,直接永久删除了
(2)设定垃圾桶模式后
已删除的文件或不会立刻消失,而是会存放在HDFS
的/user/root/.Trash/Current/目录下
此时,可以去垃圾桶里把文件进行恢复,并继续使用
当设定垃圾桶模式时,有两种常见方式:
(1)直接在Shell中使用vi命令修改
这个方式设定垃圾桶模式有个缺陷: 先关闭Hadoop服务,比如在node1中执行
stop-all.sh,而后再启动服务
(2)使用第3方终端软件修改,比如NotePad++
修改模式后,保存文件即可生效.
/export/server/hadoop-3.3.0/etc/hadoop
# 找到core-site.xml
修改core-site.xml文件,记得必须先在文件的标签下添加
<!-- 设置垃圾桶模式 -->
<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>
当设定为垃圾桶模式后,可以执行命令:
# 删除hdfs中的某文件
hdfs dfs -rm 文件名
# 恢复已删除的文件
hdfs dfs -mv /user/root/.Trash/Current/路径及文件名 指定恢复到的目录名
当未设定垃圾桶模式时,删除文件则直接被丢失了。[注意]
还需注意的是:在Web页面上点击按钮删除文件时,是永久删除(会跳过回收站,直接删除)。
当在HDFS中,从垃圾桶中恢复数据,执行的是mv移动命令
4,MapReduce组件
MapReduce简介
MapReduce表示分布式计算,顾名思义,即以分布式技术完成数据的统计,得到需要的结果。
MapReduce也是Hadoop核心组件之一,用于提供分布式计算服务。
a)Map阶段并行处理输入的数据;
b)Reduce阶段对Map结果进行汇总处理。
在大数据开发技术下的分布式计算引擎,常见模式有
(1)分散 -> 汇总模式
MapReduce
(2)中心调度 -> 步骤执行模式
Spark、Flink
4.1统计词频
1)先要进入到mapreduce所在目录,命令:
cd /export/server/hadoop-3.3.0/share/hadoop/mapreduce
2)接着,执行案例程序命令:
hadoop jar hadoop-mapreduce-examples-3.3.0.jar 案例名 数据文件路径名 生成结果路径名
4.2WordCount原理
值得注意的是,MapReduce的核心思想:分而治之。
所谓分而治之,就是把一个复杂的问题按一定的 分解方法分为规模较小的若干部分,然后逐个解决,分别找出各部分的解,再把各部分的解组成整个问题的结果。在这期间:
(1)Map:负责【分】,即把复杂的任务分解为若干个“简单的任务”来并行处理;
(2)Reduce:负责【合】,即对map阶段的结果进行全局汇总处理。
a. Map功能接口提供了【分散】的功能, 由服务器分布式对数据进行处理;
b. Reduce功能接口提供了【汇总(聚合)】的功能,将分布式的处理结果汇总统计。[分析]
此时,我们就来简单分析一下,WordCount案例是如何通过MapReduce完成分布式计算的?
假定有4台服务器用来执行MapReduce任务,其中,3台服务器执行Map,1台服务器执行Reduce。
对于MapReduce执行任务的流程,要多思考加多动手实践,才能出真知
4.3MapReduce阶段任务
MapReduce计算会依次走3个阶段任务:
阶段1:Map阶段
阶段2:Shuffle阶段
阶段3:Reduce阶段 [wordcount]
MapReduce在Map阶段的基本流程:
第1步:是把输入目录下文件按照一定的标准逐个进行逻辑切片,形成切片规划。默认情况下,Split size等于Block size[128MB]。每一个切片由一个MapTask处理(当然,也可以通过参数单独修改split大小);
第2步:是对切片中的数据按照一定的规则解析成对。默认规则是把每一行文本内容解析成键值对。key是每一行的起始位置(单位是字节),value是本行的文本内容;
第3步:是调用Mapper类中的map()方法。把上阶段中每解析出来的一个,都调用一次map()方法,而每次调用map()方法都会输出零个或多个键值对;
第4步:是按照一定的规则,对第3步输出的键值对进行分区。默认是只有一个区。分区的数量就是Reducer任务运行的数量。且默认只有一个Reducer任务;
第5步:是对每个分区中的键值对进行排序。首先,按照键进行排序,对于键相同的键值对,按照值进行排序。比如三个键值对<2,2>、<1,3>、<2,1>,键和值分别是整数。那么排序后的结果是<1,3>、<2,1>、<2,2>。如果有第6步,那么进入第6步;如果没有,直接输出到文件中;
第6步:是对数据进行局部聚合处理,也就是combiner(规约、组合)处理。键相等的键值对会调用一次reduce方法。经过这一步,数据量会减少。当然,本步骤默认是没有的。
阶段2:Shuffle阶段[数据小块 -> 合并且排序后结果]
shuffle阶段是Mapreduce的核心,它分布在Mapreduce的map阶段和reduce阶段之间。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作shuffle。依次进行
Collect(收集) -> Spill(溢出) -> Merge(合并) -> Copy(复制) ->
Merge(合并) -> Sort(排序)
1
Collect阶段:将MapTask的结果输出到默认大小为100M的环形缓冲区,保存的是
key/value,Partition分区信息等;
Spill阶段:当内存中的数据量达到一定的阀值(80%)的时候,就会将数据写入本地磁盘,在将数据写入磁盘之前需要对数据进行一次排序的操作,如果配置了combiner,还会将有相同分区号和key的数据进行排序;
Merge阶段:把所有溢出的临时文件进行一次合并操作,以确保一个MapTask最终只产生一个中间数据文件;
Copy阶段: ReduceTask启动Fetcher线程到已经完成MapTask的节点上复制一份属于自己的数据,这些数据默认会保存在内存的缓冲区中,当内存的缓冲区达到一定的阀值的时候,就会将数据写到磁盘之上;
Merge阶段:在ReduceTask远程复制数据的同时,会在后台开启两个线程对内存到本地的数据文件进行合并操作;
Sort阶段:在对数据进行合并的同时,会进行排序操作,由于MapTask阶段已经对数据进行了局部的排序,ReduceTask只需保证Copy的数据的最终整体有效性即可。
阶段3:Reduce阶段[各部分结果 -> 合并总结果]
MapReduce在Reduce阶段的基本流程:
第1步:是Reducer任务会主动从Mapper任务复制其输出的键值对。Mapper任务可能会有很多,因此Reducer会复制多个Mapper的输出;
第2步:是把复制到Reducer本地数据,全部进行合并,即把分散的数据合并成一个大的数据,再对合并后的数据排序;
第3步:是对排序后的键值对调用reduce方法。键相等的键值对调用一次reduce方法,每次调用会产生零个或者多个键值对。最后把这些输出的键值对写入到HDFS文件中。
当要把数据进行收集且排序处理的阶段,一般是指Shuffle阶段
注意:MapReduce是Hadoop中的分布式计算组件,一般以【分散->汇总(聚合)模式】执行计算任务。