hadoop基础学习
MR系类:
①hadoop生态
>MapReduce:分布式处理
>Hdfs:hadoop distribut file system
>其他相关框架
->unstructured data:收集日志 flume,scribe
->structured data:sqoop hdfs与关系型数据库相互转换
->OLTP:HBASE(低延时) online transection process
->monitor/manage:监控集群状态
->Hight level interfaces:JAQL HIVE
->support:
->workflow:
->more Hight level interfaces:封装了算法的高级接口 数据挖掘算法BI
②hadoop:分布式存储和计算平台
③hadoop核心系统:
>hdfs:
->主从分布式:
namenode(主节点):管理从节点,提供API,管理文件与block,block与datanode之间的关系。(存储单位为block)
datanode(从节点):存储数据,文件被分成block存储在磁盘,同时block是有副本的。
>mapReduce:
->主从分布式:
jobTracker(主节点):提供api,分配任务给tasktracker,监控其执行情况
taskTracker(从节点):执行分配的计算任务。
④hadoop分布式特点:
>扩容能力:
>成本低:低廉主机,团体集群。
>高效率:并行执行
>可靠性:自动维护数据副本
⑤hadoop集群:
>伪分布:
①安装jdk,hadoop软件
>真实分布:
⑥HDFS学习笔记:
>概念:
->dfs:分布式文件系统,适合于一次写入多次查询的情况,不支持并发写,不适合小文件。
->namenode:维护和管理目录系统,
->HDFS:
->namenode:元数据(目录数据):
->fsimage:目录数据
->edit:用户操作的事务,当事务完成后,会将新的目录数据加入fsimage.
->secondaryNode:合并fsimage与edit
->datanode:物理数据(原始数据):物理数据本身
->文件块block:默认大小64M,当不足64M时,占用实际的大小的物理空间。
->replication:副本,默认三个。优先放在本机的datanode中。
->关于HDFS的HA:
->在配置文件中设置多个namenode的copy
->secondaryNode:将edit合并到fsimage。
>shell接口:
->hadoop fs 命令 -ls,-lsr,-put,-get,-text等
->hadoop fs ls = hadoop fs -ls hdfs://hadoop:9000/
>java接口:
->IOUtil连接普通文件系统和HDFS
->FileSystem:hds中定义的文件系统对象
>RPC远程过程调用:Remote process call 不同进程间的方法调用
->客户端调用服务器端实现VersionedProtocol协议的接口中的方法。
->hadoop中存在的5的服务进程,就是RPC的服务器端
The NameNode controls two critical tables:
1) filename->blocksequence (namespace) 外存中,静态的,存放在fsimage
2) block->machinelist ("inodes") 内存中,namenode启动的时候重建。
hdfs的唯一一个核心类:FileSystem
⑦MapReduce:
八个步骤:
1>Map
1.1>解析hdfs中的文件,每行数据形成<k1,v1> :k1为每行开始位置,v1为每行的内容
1.2>覆盖map(),接受1.1产生的<k1,v1>进行处理,转换成新的<k2,v2> :如对每行的数据即v1进行拆分,就可以得到多个v2
1.3>对1.2中输出的数据<k2,v2>进行分区,默认为1个:
1.4>对1.3中输出的数据<k3,v3>进行排序(按照k3),分组(相同key的不同value放在一个集合中),输出<k4,{v4}>
1.5>对1.4中输出的数据进行规约。
2>Reduce
2.1>多个map任务的输出,按照不同的分区,通过网络 copy到不同的reduce节点中:
2.2>对2.1中获得的数据,进行合并排序,覆盖reduce函数,接受集合数据,统计k4对应集合中所有值的和,输出<k5,v5>:
2.3>对2.2中产生的<k5,v5>的输出,写回hdfs中。
Hadoop数据类型:
Hadoop key/value数据必须实现的接口:
①writeable接口:
public interface Writable {
* Serialize the fields of this object to <code>out</code>.
void write(DataOutput out) throws IOException;
* Deserialize the fields of this object from <code>in</code>.
void readFields(DataInput in) throws IOException;
}
Hadoop key数据必须实现的接口:
②Comparable接口:
③WritableComparable接口:
comparaTo()方法
1>序列化和反序列化必须实现一下几个方法:
①equals()
②hashcode()
③tostring()
④必须有无参构造方法,为了方便反射创建对象。
2>序列化:将结构化对象转化为字节流,以便在网络传输或者保存在磁盘进行永久存储。
·反序列化:将序列化字节流,反序列化为结构化对象。
为了实现对序列化字节对象的直接比较,
①comparator接口: