大数据-hadoop理论

前言 ：

　　下面可能用的很多计算的词语，理解是计算不是单单1+1是计算，对于计算机而言，任何的程序执行就是一个计算过程。

　　1：计算过程区别（关键字：并行计算）
　　　　传统的计算方式：

　　　　　　一个文件数据->开始计算（整个文件有多少数据就计算多少，从头到尾）->计算结束

　　　　并行计算：

　　　　　　一个文件数据->拆分存储在一个集群中（每个计算机上存文件的一部分数据）->并行计算（每个计算机只要计算分给它的那部分数据，
　　　　　　且整个集群一起运行）->将运行之后的结果汇总->计算结束

　　2：计算方式（关键字：计算向数据移动）

　　　　传统的一个计算过程：
　　　　　　一个应用程序发布在了一个服务器上
　　　　　　--->获取数据（比如获取数据库的数据，将数据从数据库服务器拿到应用服务器）
　　　　　　--->开始计算
　　　　　　--->输出计算结果

　　　　计算向数据移动 ：
　　　　　　数据存储在集群之中
　　　　　　--->计算程序直接在存储数据的集群服务器上运行
　　　　　　--->开始计算
　　　　　　--->输出计算结果

走进hadoop：（整体分三个板块内容介绍）

　　1：文件存储系统（HDFS）2：计算框架（MR）3：资源调度框架（YARN）

一：文件存储系统（HDFS）

　　1.　概念：用来存数据的

　　2.　角色：NameNode（下面用NN表示），DataNode（下面用DN表示）

　　　　2.1　NameNode

　　　　　　（1）接收客户端的读写请求。

　　　　　　（2）保存元数据信息。

　　　　　　　　　　比如：block块的信息（block列表，偏移量，位置信息）

　　　　　　　　　　block：block块是HDFS存储数据的单元，即之前说的，把一个大数据分割成N多块。

　　　　　　　　　　偏移量：在这个文件中block块的偏移量。HDFS设定好block大小之后就不会变了，所以偏移量也不会变。

　　　　　　　　　　位置信息：block都在哪些DataNode中存着。

　　　　2.2　DataNode

　　　　　　（1）以文件的形式存储block数据，记录block元数据信息，向NN汇报block信息，与NN保持心跳连接(3s一次)，若10分钟未收到心跳信息，

　　　　　　　　NN就会把该DN节点的信息copy到其他的DN上。

　　3.　数据的读写

　　　　3.1　写

 

　　　　　　客户端访问NN，取到DN等信息；
　　　　　　直接交互DN，切割成块并且以pipeline管道流的形式写入其中一个DN，DN之间相互流数据；(因为DN是有副本的，保证数据的HA)
　　　　　　反馈给客户端；

　　　　3.2　读

　　　　　　客户端访问NN，取到block副本列表信息；

　　　　　　按照就近原则获取block信息，最后组合成完整文件；

　　　　　　以MD5验证数据的完整性；

　　4.　集群

　　　　4.1　hadoop的2.x版本（只有两个NN节点，一个是active的一个是standby的）下面是集群结构图，我们主要介绍3.x版本

　　　　　　简述下图：

　　　　　　　　NNactive（NN主节点），NNstandby（NN备用节点），两个节点的元数据是同步的，即DN会向两个NN都汇报block情况，两个节点的存活情况

　　　　　　　　由zk管理，搭建之后会生成 ZKFC（在两个NN节点） 进程，如果主的挂了，会启动备节点。

　　　　　　　　JournalNodes（下图中的JN），这个集群用于两个NN之间的数据同步。

                      

　　　　4.2　hadoop的3.x版本（NN的HA采用的是主从架构，可以设多个NN节点）

　　　　　　待完善中。。。。。。

　　　　4.3　hadoop3.x版本的集群安装

　　　　　　放在最后写出。

二：计算框架（MR）

　　　　下图为MR的过程：

　　

　　1.　简述MR图解的过程（map 过程+ reduce 过程 ）

　　　map过程：块 ----> split(里面有具体的所在块的信息) ----> map ---- 分区排序，组内排序 ---- buffer --- 排序，压缩 --->磁盘

　　　reduce过程：----> 多个map的归并算法排序，生成几个大的map ---- shuffler数据拉取 ----> reduce ----> 输出

　　2.　源码部分的过程分析（大致分4步完成）

1.Job（完成文件的切片）
　　(1)配置及job的实例化：
　　　　Configuration conf = new Configuration(ture);    //(ture)这种的会读取hadoop默认的一些配置信息(比如默认块大小之类的)
　　　　Job job =Job.getInstance(conf);    //获取Job实例

　　(2)配置：
　　　　MRJobConfig(接口)            //标记了所有的属性
　　　　Job(具体的配置的实现)        //通过什么方法将自定义的属性引入    

　　　　FileInputFormat.addInputPath(job, input );
　　　　FileOutputFormat.setOutputPath(job, output );        //job的输入输出路径

　　(3)工作提交：
　　　　Job.waitForCompletion(等待完成)： 
　　　　　　--获取客户端的请求及要完成的工作：
　　　　　　Submit --> 
　　　　　　submitter.submitJobInternal(job, client)
　　　　　　　　--进行切片：
　　　　　　　　　　writeSplits -- > writeNewSplits(需要切多少片，位置信息在哪，默认与块的数量大小一样SPLIT_MAXSIZE(可配置切片大小)，
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　返回值是maps(有多少片就有多少maps),该返回值被设置成map的个数)：
　　　　　　　　　　--inputformat(实例化INPUT_FORMAT_CLASS_ATTR(输入文件类型), 默认的是TextInputFormat)
　　　　　　　　　　--input.getSplits(获取job的切割对象)：
　　　　　　　　　　　　--splits(所存的切片)，files(文件所有块)
　　　　　　　　　　　　--getFileBlocklocations(获取块的位置信息)
　　　　　　　　　　　　--bytesRemaining/splitSize > SPLIT_SLOP 1.1剩余的可切割文件大小多出1/10大小时算整体
　　　　　　　　　　　　--splits.add(位置，大小等添加到片的数组)
　　　　　　　　　　--sort(通过切片size大到小排序)
　　　　　　　　　　--createSplitFiles(创建切片文件,将元数据信息写在namenode)
　　　　　　　　--真正的提交job
　　　　　　　　　　submitClient.submitJob(在YARNRunner的class中实现)

2.Input-map(map从片上读取数据)yarn资源管理器->appli manager->启动MR任务
　　(1)Maptask 的启动
　　　　Maptask.class:
　　　　　　--run（获取以前的一些信息，通过行读取器进行数据读取）
　　　　　　　　-->NUM_REDUCES: 设置多少个reduce就是多少个分区，如果是0就没有R任务，将会全部分配给M，否则整个任务过程按照M/R = 2/1的比例分配；
　　　　　　　　　　　　　　　　　　如果有reduce(默认1个)，则2/3时间给map，1/3给sort排序。
　　　　　　　　--> runNewMapper:
　　　　　　　　　　--taskContext() ：该任务上下文(所有任务相关的信息)
　　　　　　　　　　--mapper(MAP_CLASS_ATTR自定义的mapper类，重写map方法写入自己的逻辑)    
　　　　　　　　　　--inputFormat(INPUT_FORMAT_CLASS_ATTR默认的是TextInputFormat(这个类里面有行的文本读取器))
　　　　　　　　　　--split(获取切片信息)    获取该任务的切片的信息
　　　　　　　　　　--input(读取器信息) --> newTrackingRecordReader(实例化的是这个类) -- creatRecordReader --> lineRecordReader
　　　　　　　　　　--output(写入缓冲区)    详见3
　　　　　　　　　　--mapContext-->mapperContext    参数 input，output，split    将以上信息的一个封装
　　　　　　　　　　--input.initialize(split，mapperContext) 读取器的初始操作，
　　　　　　　　　　　　--如何读取片的信息(多读一行)
　　　　　　　　　　--mapper.run(mapperContext) 读取一行数据调用一下自定义map，直到没有下一行
　　　　　　　　　　　　--context.nextKeyValue(是否有下一行)
　　　　　　　　　　　　　　--自己的map方法

3.Map-output(map写入数据到缓冲区),这里看的是有reduce的情况
　　Collector 采集器(排序的采集器){
　　　　缓冲区
　　　　MAP_OUTPUT_COLLECTOR_CLASS_ATTR 自己设定缓冲区，否则默认MapOutputBuffer.class(3.0)换成.native,速度快了

　　　　缓冲区初始化
　　　　Init
　　　　　　IO_SORT_MB    自定义缓冲区大小，默认100MB
　　　　　　MAP_SORT_SPILL_PERCENT 自定义什么时候溢写，默认(float)0.8，到了80%开始写(具体多大需要反复调试)
　　　　　　sorter可以自定义排序器，否则默认快排；
　　　　　　comparator可以自定义比较器，
　　　　　　combiner合并压缩器
　　　　　　MAP_COMBINE_MIN_SPILLS    自定义归并之后的文件数量，默认3个
　　　　　　spillThread    溢写线程(排序，溢写)
　　}

　　分区处理
　　Partitions    NUM_REDUCES否则默认一个 分区数量
　　Partitioner 分区器（）
　　　　实例化分区器{
　　　　　　1个：返回0（分区器编号）
　　　　　　多个：{
　　　　　　　　PARTITIONER_CLASS_ATTR 自定义分区器，一般用默认；
　　　　　　}
　　　　}

4.Reduce(reduce拉取数据，并输出)
　　Shuffle:
　　　　将map中的数据全部排序并拉取到迭代器中；
　　Sort（组排）:用来界定组的边界
　　　　GROUP_COMPARATOR_CLASS 可以设定组排，否则 KEY_COMPARATOR(map端的排序)，否则默认比较器WritableComparator
　　Reduce：
　　　　Make reduce: REDUCE_CLASS_ATTR自己写的reduce

　　reducerContext(封装好上面的东西)
　　Reduce.run(reducerContext);
　　　　context.nextKey() ---- 执行ruduce的条件（相同组值，进行一次reduce执行）
　　　　　　Reduce(自己定义的reduce)

三：资源调度框架（YARN）

　　1.　概念：管理MR的在hadoop集群上的运算。所以YARN是与DN在一个集群节点上。

　　2.　架构图

　　　　

　　3.　图解概述

　　　　3.1　角色

　　　　　　ResourceManager（下面简称RM），NodeManager（下面简称NM），Container（执行具体计算任务的），ApplicationMaster（监控Container的，下面简称AM）

　　　　　　RM：集群节点资源管理

　　　　　　NM：与RM汇报资源，管理Container生命周期

　　　　3.2　概述流程：

　　　　　　client发送请求给RM；

　　　　　　RM查看NM状态，选择出可执行这个任务的节点；

　　　　　　在其中一个节点创建AM，其余节点创建Container；

　　　　　　所有的Container中任务执行完成之后，把结果给AM；

　　　　　　AM把汇总的结果统一给RM；

　　　　3.3　搭建使用：

　　　　　　待完善。。。。。。。。。。。

总结：

　　现在hadoop的使用多数是用的hadoop的HDFS系统。