Hadoop快速入门

传说中的Hadoop，我终于来对着你唱"征服"了，好可爱的小象，！J

总的来说，hadoop的思路比较简单(map-reduce)，就是将任务分开进行，最后汇总。但这个思路实现起来，比较复杂，但相对于几年前Intel等硬件公司提出的网格运算等方式，显得更加开放。

你难任你难，哥就是头铁！

Tip：实践应用是核心，本文概念为主，有些部分可能会有些晦涩，直接跳过就好（不是特别重要）。

本文代码实践在：https://github.com/wanliwang/cayman/tree/master/cm-web的test->backupcode->hadoop部分。

 

提到列式(Column Family)数据库，就不得不提Google的BigTable，其开源版本就是我们熟知的HBASE。BigTable建立在谷歌的另两个系统GFS和Chubby之上，这三个系统和分布式计算编程模型MapReduce共同构成Google云计算的基础，Chubby解决主从自动切换的基础。接下来通过一个表格对比来引入Hadoop。

Google云计算 Hadoop中的对应
分布式文件系统GFS HDFS，负责数据物理存储
分布式管理服务Chubby Zookeeper，负责管理服务器
分布式计算框架MapReduce MapReduce，负责计算
分布式数据库BigTable HBase，负责存取数据

Hadoop是有Apache Lucene的作者Boug Cutting开发的，其主体结构如下图所示。

 

 

HDFS（Hadoop File System）

NameNode:整个文件系统的大脑，提供整个系统的目录信息并管理各个数据服务器。

DataNode:分布式文件系统中每一个文件被切割为若干数据块，每个数据块存储在不同服务器，这些就是数据服务器。

Block:每个被切分的数据块就是一段文件内容，其是基本的存储单位，被称为数据块，典型大小为64MB。

Tip:由于硬件错误是常态，HDFS是很多台Server的集合，因而错误检测和恢复是核心功能；其以流式读为主，做批量操作，关注数据访问的高吞吐量。

HDFS采用master/slave架构，一个HDFS集群由一个NameNode和若干DataNode组成，中心服务器NameNode负责管理文件系统的namespace和客户端对文件的访问。DataNode一般一个节点一个，负责管理节点上附带的存储。在内部，一个文件被分成一个或多个block，这些block存储在DataNode集合中。NameNode和DataNode均可运行在廉价的linux机器上，HDFS由java语言开发，跨平台好，总体结构示意图如下所示。

 

复制：采用rack-aware策略改进数据可靠性和网络带宽的利用；NameNode决定每个DataNode的Rack id；大多数情况，replication因子是3，简单来说就是将一个副本放在本地机架节点，一个副本放在同一机架另一个节点，最后一个放在不同机架；在读取时，会选择最近的副本；NameNode启动时会进入SafeMode状态，该状态时，NameNode不会进行数据块的复制，这是会检测DataNode的副本数量，如果满足要求则认为安全。

NameNode用于存储元数据，任何修改均被Editlog记录，通讯协议基于TCP/IP，可以通过java API调用。

安装Hadoop，步骤如下所示

 1 1.安装jdk
 2 2.安装hadoop集群情况(创建对应的hadoop应用，用于统一管理, useradd Hadoop, passwd hadoop) 
 3 node0: 192.168.181.136(NameNode/JobTracker)
 4 node1: 192.168.181.132(DataNode/TaskTracker)
 5 node2: 192.168.181.133(DataNode / TaskTracker)
 6 node3: 192.168.181.134(DataNode / TaskTracker)
 7 etc/hosts和hostname设置, 如192.168.181.136 node0, #hostname node0
 8 下载hadoop-1.2.1.tar包，放在/home/hadoop，入后修改权限
 9 #wget http://mirror.esocc.com/apache/hadoop/common/hadoop-1.2.1/hadoop-1.2.1.tar.gz
10 #tar –zxvf Hadoop-1.2.1.tar
11 #chown –R Hadoop:Hadoop Hadoop-1.2.1
12 配置ssh无密码登录，在hadoop启动后，NameNode通过SSH(sSecureShell)来启动和停止各个Datanode上的各个守护进程，这就需要节点间执行指令无需密码，因此需要配置SSH运用无密码公钥认证的方法。
13 在本例中，node0为主节点，需要连接node1,2,3，需要确认每台机器安装ssh，并且datanode上的sshd服务启动。
14 #ssh-keygen –t rsa, 默认保存在/home/Hadoop/.ssh, 然后将其复制到每个机器的/home/Hadoop/.ssh/authorized_keys，命令如下,4台机器都需要(显得比较复杂，到时看看docker或者.sh脚本文件)
15 #su Hadoop
16 #cd /home/Hadoop
17 # ssh-keygen –t rsa
18 #cd .ssh
19 #cp id_rsa.pub authorized_keys
20 #ssh localhost
21 #ssh node0
22 在node0,1,2,3上交换公钥
23 #scp authorized_keys hadoop@node1:/tmp, 复制keys到node1的/tmp目录
24 #cat /tmp/authorized_keys>>/home/Hadoop/.ssh/authorized_keys
25 在node0上有了所有公钥后，在复制node0上key到其他机器
26 #scp /home/Hadoop/.ssh/authorized_key root@node1:/home/hadoop/.ssh
27 #chmod 644 authorized_keys，设置文件权限并测试
28 将当前用户切换到hadoop，如果集群内机器环境一直，可以在一台机器配置好后，用scp命令将master上的hadoop复制到每一个slave
29 修改hadoop-1.2.1/conf，配置hadoop-env.sh文件，添加JAVA_HOME路径
30 配置conf/core-site.xml
31 <configuration>
32     <!-- NameNode的URI -->
33     <property>
34         <name>fs.default.name</name>
35         <value>hdfs://node0:49000</value>
36     </property>
37     <!-- hadoop时默认临时路径，如果在新增节点时DataNode无法启动，就删除此文件 -->
38     <property>
39         <name>hadoop.tmp.dir</name>
40         <value>/home/hadoop/hadoop-1.2.1/var</value>
41     </property>
42     <property>
43         <name>dfs.support.append</name>
44         <value>true</value>
45     </property>
46     <!-- 关闭权限检查，方便之后使用hadoop-eclipse插件访问hdfs -->
47     <property>
48         <name>dfs.permissions</name>
49         <value>false</value>
50     </property>
51 </configuration>
52 
53 配置conf/mapred-site.xml
54 <configuration>
55     <!-- JobTracker的主机和端口 -->
56     <property>
57         <name>mapred.job.tracker</name>
58         <value>/node0:49001</value>
59     </property>
60     <!-- 目录需要提前创建，注意使用chown -R来修改权限,为0777 -->
61     <property>
62         <name>mapred.local.dir</name>
63         <value>/home/hadoop/hadoop-1.2.1/var</value>
64     </property>
65 </configuration>
66 
67 配置hdfs-site.xml
68 <configuration>
69     <!-- dir是NameNode持久存储名字空间和事务日志的本地文件系统路径,当该值是一个逗号分隔的目录列表是，nametable数据将会被复制到所有目录中做冗余备份 -->
70     <property>
71         <name>dfs.name.dir</name>
72         <value>/home/hadoop/name1</value>
73     </property>
74     <property>
75         <name>dfs.data.dir</name>
76         <value>/home/hadoop/data1</value>
77     </property>
78     <!-- 数据备份数量 -->
79     <property>
80         <name>dfs.replication</name>
81         <value>3</value>
82     </property>
83 </configuration>
84 
85 配置主从节点
86 conf/masters: node0
87 conf/slaves: node1,2,3
88 启动与测试
89 #hadoop namenode –format
90 #/home/hadoop/xxx/bin/start-all.sh
View Code

在分布式模式下，hadoop配置文件中不能使用ip，必须使用主机名，安装hadoop必须在所有节点上使用相同配置和安装路径，并用相同用户启动。Hadoop中的HDFS和Map-Reduce可以分别启动，NameNode和JobTracker可以部署到不同节点，但小集群一般在一起，注意元数据安全即可。

Hdfs常见操作，请见下表所示，在实践中，一般都是通过API调用，了解下就好

命令 诠释 命令 诠释
#cat Hadoop fs –cat uri输出内容 #chgrp 修改文件所属组
#chmod 修改文件去哪先 #chown 修改文件拥有者
#put #copyFromLocal 从本地文件系统复制到目标系统 #get #getmerge #copToLocal 复制文件到本地系统 Hadoop fs –get hdfs://host:port/user/Hadoop/file local file
#cp 复制文件 #du，#dus 显示目录、文件大小
#expunge 清空回收站 #ls, lsr 显示文件信息
#mv #movefromLocal 移动文件 #rm #rmr 删除文件
#mkdir 创建目录 #setrep 改变文件副本系数
#stat 返回统计信息 hadoop fs –stat path 其他 #tail #touchz
#test   #text  

通过Java调用hdfs的示例如下所示，其实就是一个文件系统

 1    public void hdfsOpertion() throws Exception {
 2         Configuration conf = new Configuration();
 3         FileSystem hdfs = FileSystem.get(conf); // 获得HDFS文件系统对象
 4         FileSystem local = FileSystem.getLocal(conf);// 获得本地文件系统
 5         Path inputDir = new Path("in_xxx");
 6         Path hdfsFile = new Path("fs_xxx");
 7 
 8         try {
 9             FileStatus[] inputFiles = local.listStatus(inputDir);// 获得目录文件列表
10             FSDataOutputStream out = hdfs.create(hdfsFile);// 生成hdfs输出流
11             for (int i = 0; i < inputFiles.length; i++) {
12                 System.out.println(inputFiles[i].getPath().getName());
13                 FSDataInputStream in = local.open(inputFiles[i].getPath());// 打开本地输入流
14                 byte[] buffer = new byte[256];
15                 int bytesRead = 0;
16                 while ((bytesRead = in.read(buffer)) > 0) {
17                     out.write(buffer, 0, bytesRead);
18                 }
19                 in.close();
20             }
21             out.close();
22         } catch (Exception ex) {
23             ex.printStackTrace();
24         }
25     }
View Code

 

  • Map Reduce核心概念

Job: 用户的每一个计算请求就是一个作业

JobTracker:用户提交作业的服务器，同时它还负责各个作业任务的分配，管理所有的任务服务器。

Task:一个都需要拆分，交个多个服务器完成，拆分出来的执行单位就是任务

TaskTracker:就是任劳任怨的工人，负责执行具体的任务。

  • Map Reduce计算模型

在hadoop中，每一个MapReduce任务被初始化为一个Job,每个Job又被分为两个阶段：Map阶段、Reduce阶段。这两个阶段分别用两个函数表示，Map函数接受一个<key,value>输入，然后产生一个<key,value>的中间输出；之后hadoop会将具有相同中间key的value集合传给Reduce函数，之后Reduce处理后得到<key,value>形式输出。

 

在Java中接入Hadoop的配置与代码如下所示。

 1 Maven:
 2 <dependency>
 3             <groupId>org.apache.hadoop</groupId>
 4             <artifactId>hadoop-common</artifactId>
 5             <version>${hadoop.version}</version>
 6         </dependency>
 7         <dependency>
 8             <groupId>org.apache.hadoop</groupId>
 9             <artifactId>hadoop-hdfs</artifactId>
10             <version>${hadoop.version}</version>
11         </dependency>
12         <dependency>
13             <groupId>org.apache.hadoop</groupId>
14             <artifactId>hadoop-mapreduce-client-core</artifactId>
15             <version>${hadoop.version}</version>
16         </dependency>
17 
18 Code:
19 public class WordCountNew extends Configured implements Tool {
20     public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> {
21         private final static IntWritable one = new IntWritable(1);
22         private Text word = new Text();
23 
24         @Override
25         protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)
26                 throws IOException, InterruptedException {
27             String line = value.toString();
28             // 字符串分解器
29             StringTokenizer tokenizer = new StringTokenizer(line);
30             while (tokenizer.hasMoreTokens()) {
31                 word.set(tokenizer.nextToken());
32                 context.write(word, one);
33             }
34         }
35     }
36  
37     public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {
38         @Override
39         protected void reduce(Text key, Iterable<IntWritable> values,
40                 Reducer<Text, IntWritable, Text, IntWritable>.Context context)
41                 throws IOException, InterruptedException {
42             int sum = 0;
43             for (IntWritable val : values) {
44                 sum += val.get();
45             }
46             context.write(key, new IntWritable(sum));
47         }
48     }
49 
50     @Override
51     public int run(String[] arg0) throws Exception {
52         Job job = new Job(getConf());
53         job.setJarByClass(WordCountNew.class);
54         job.setJobName("wordcount");
55         job.setOutputKeyClass(Text.class);
56         job.setOutputValueClass(IntWritable.class);
57         job.setMapperClass(Map.class);
58         job.setReducerClass(Reduce.class);
59         job.setInputFormatClass(TextInputFormat.class);
60         job.setOutputFormatClass(TextOutputFormat.class);
61         FileInputFormat.setInputPaths(job, new Path("xxx01.txt"));
62         FileOutputFormat.setOutputPath(job, new Path("xxx02.txt"));
63         boolean success = job.waitForCompletion(true);
64         return success ? 0 : 1;
65     }
View Code

MapReduce的数据流和控制流

 

 

zookeeper主要用来解决分布式应用中经常遇到的数据管理的问题，如统一命名服务、状态同步服务、集群管理和分布式应用配置项的管理，Zookeeper典型的应用场景(配置文件的管理、集群管理、同步锁、Leader选举和队列管理等)。

Zookeeper配置安装的步骤如下所示

下载zookeeper包
修改zoo.cfg配置文件
initLimit=5 #Zookeeper中链接到Leader的Follower服务器初始化链接能忍耐的心跳间隔数:5*2000=10秒
syncLimit=2 #请求应答的时间长度2*2000=4秒
dataDir=/home/Hadoop/zookeeper
server.1=node1:2888:3888 #用于选举时服务器相互通信的端口
server.2=node2:2888:3888
server.3=node3:2888:3888
配置myid文件，在dataDir目录，判断时哪个server
启动zookeeper，bin/zkServer.sh start
View Code

ZooKeeper数据模型，其会维护一个层次关系的数据结构，非常类似标准文件系统

 

ZooKeeper的基础使用，其作为一个分布式服务框架，主要用于解决分布式集群的一致性问题，它提供类似文件系统目录节点树方式的数据存储，并会维护和监控数据的状态变化，其常见方法如下所示。

方法 诠释
Stringcreate 创建一个给点的目录节点path并设置数据
Statexists 判断某个path是否存在，并设置监控这个目录节点
Delete 参数path对应目录节点
StatsetData，getData 设置数据，获取数据
addAuthInfo 将自己授权信息发送给服务器
StatsetACL,getACL 设置目录节点访问权限，获取权限列表

java调用zookeeper的API示例如下

 1 public void testName() throws Exception {
 2         // 1.创建一个和服务器的链接
 3         ZooKeeper zk = new ZooKeeper("localhost:" + CLIENT_PORT, CONNECT_TIMEOUT, new Watcher() {
 4             @Override
 5             public void process(WatchedEvent event) {
 6                 System.out.println(String.format("已经触发了%s事件", event.getType()));
 7             }
 8         });
 9 
10         // 2.创建一个目录节点
11         zk.create("/testRootPath", "testRootData".getBytes(), Ids.OPEN_ACL_UNSAFE, CreateMode.PERSISTENT);
12         // 3.创建子节点
13         zk.create("/testRootPath/testChildrenPathOne", "testChildrenPathOne".getBytes(), Ids.OPEN_ACL_UNSAFE,
14                 CreateMode.PERSISTENT);
15         System.out.println(new String(zk.getData("/testRootPath", false, null)));
16         // 4.查找子目录列表
17         System.out.println(zk.getChildren("/testRootPath", true));
18         // 5.修改子目录节点数据
19         zk.setData("/testRootPath/testChildrenPathOne", "modifyChildrenPathOne".getBytes(), -1);
20         System.out.println("目录节点状态：[" + zk.exists("/testRootPath", true) + "]");
21         // 6.删除节点
22         zk.delete("/testRootPath/testChildrenPathOne", -1);
23         // 7.关闭链接
24         zk.close();
25     }
View Code

ZooKeeper的典型应用场景

统一命名服务(Name Service):分布式应用，通常需要一整套的命名规则，一般使用树形命名，这儿和JNDI很相似。

配置管理：ZooKeeper统一管理配置信息，保存在对应目录，一旦变化，对应机器就会收到通知(观察者)。

集群管理：ZooKeeper不仅能维护当前集群中及其的服务状态，并能选出一个总管(Leader Election)，从而避免单点故障，示例代码如下。

共享锁(Locks):共享锁在同一个进程容易实现，但再不同Server见不好实现，但Zookeeper却很容易实现，方式就是需要获取锁的Servere创建一个EPHEMERAL_SEQUENTIAL目录节点，然后调用getChildren方法获得当前目录节点列表中最小的目录节点，并判断，如果未自己建立，则获得锁，如果不是就调用exist方法监控节点变化，一直到自己创建的节点时最小，从而获得锁，释放很贱，只要删除前面自己创建的目录节点就OK。

队列管理(Queue Management):可以处理两类队列，一种是当成员齐聚时，队列才可用，否则一直等待，被称为同步队列；一种是按照FIFO方式进行入队和出队，例如实现生产-消费者模型。

 

HBase（逻辑结构）是BigTable的开源版，其建立在HDFS（物理结构）之上，提供高可靠性、高性能、列存储和可伸缩、实时读写的数据库系统。它结余NOSQL和RDBMS之间，仅能通过主键和主键range来检索数据，支持单行事务（可通过hive支持来实现多表join等复杂操作），主要用于存储非结构和半结构化的松散数据。与Hadoop一样，Hbase主要依靠横向扩展来提高计算和存储能力。

Hbase的表具有以下特点：

大：一个表可以有上亿行

面向列：面向列族的存储和权限控制，列族独立检索。

稀疏：对于空的列，并不占用空间，因此表可以设计的非常稀疏。

  • 逻辑视图:HBase以表的形式存储数据，表由行和列组成，列划分为若干个列族row family,如下表所示。
Row Key Column-family1 Column-family2
Column1 Column1 Column1 Column2
Key1 t2:abc t1:bcd   t1:354
Key2 t3:efy t1:uio t2:tyi t1:456  

Row Key：检索数据的主键，访问HBase中的行，可以通过单个row key（字典序，数值型数据需要补0）访问；通过row key的range的访问；全表扫描。

列族：表中的每一列，都归属于列族，列族是表schema的一部分，必须在使用前定义，而列不是，关键理解。列名都以列族作为前缀，例如courses:history和courses:math都数据courses列族。

时间戳：通过row和column确定一个存储单元cell，每个cell保存同一份数据的多个版本，通过时间戳来索引。时间戳为64位证书，精确到毫秒，按时间倒序排列。为了避免版本过多，一般通过个数或时间来回收。

Cell:由{row key, column(=<family>+<label>),version}唯一确定的单元，cell中数据没有类型，以字节码存储。

  • 物理存储：指如何将大表分布的存储在多台服务器。

特点：Table上所有行使用row key排列;Table在行方向上分割为多个HRegion;HRegion按大小分割，每个表已开始只有一个region，随着数据不断插入，region增大，当超过阈值是，会分裂成连个新的HRegion；HRegion是HBase中分布式存储和负载均衡最小单元，表示不同Region可以分布在不同RegionServer上；HRegion是分布式存储的最小单元，但不是最小存储单元，实际上，一个Region由多个Store组成，一个Store保存一个columns family，一个Store又由一个memStore和0-多个StoreFile（重点是StoreFile就是一个Hdfs中文件，通过压缩存储减少通信消耗，这儿就找到了对应关系，还可以细分，就不介绍了）组成。（脑海里有了大体的印象）

 

  • 系统架构

 

Client：包含访问HBase接口，client维护一些cahce来加快访问，比如region未知信息。

ZooKeeper:保证任何时候集群只有一个master；存储所有region寻址接口；实施监控Region Server状态，将其上下线消息实时通知给master；存储Hbase的schema,包含哪些table,每个table的column family；为region server分配region；负责Region server的负载均衡；发现失效的Region Server并重新分配其上Region，GFS上的垃圾文件回收；处理schema更新请求。

Region Server：维护Master分配给它的Region，处理这些Region的IO请求；切分在运行中变得过大的Region。

Tip:可以看到client访问HBase数据的过程并不需要master参与，寻址访问zookeeper和Region Server，数据读写访问Region Server,master只维护table和Region的元数据，负载低。

  • 关键算法和流程

Region定位：大表使用三层类似B+树的结构来存储Region位置，第一次保存zookeeper中数据，持有RootRegion位置；第二层RootRegion是.META表的第一个Region，其中保存了其他Region的位置；第三层是个特殊的表，存储HBase中所有数据表的Region位置信息。

读写过程：HBase使用MemStore和StoreFile存储对表的更新。数据在更新时首先写入Log和MemStore，MemStore中的数据是排序的，当MemStore累计到一定阈值，会创建新MemStore，并将老MemStore添加到Flush队列，有单独线程写到磁盘，称为一个StoreFile，同时系统会在zookeeper记录一个Redo point，表示更新已经持久化。系统出现问题是，可以使用log来恢复check point之后的数据。（思路和传统数据库一致）

Region分配：任何时刻，一个region只能分配给一个server，master记录了当前可用的Server以及当前region的分配情况，当存在未分配region且有server有可用空间时，master就给这个server发送一个装载请求，分配该region。

Region Server的上下线：master通过zookeeper来跟踪region server状态，当某个server启动时，会在zookeeper的server目录建立代表自己的文件，并获得该文件独占锁，由于master订阅了该目录的变更小心，因此当文件出现增删时，可以接到通知。下线时，断开与zookeeper会话，释放独占锁，这时master会发现并删除对应目录文件，并将原有region分配给其他server。

master的上下线：从zookeeper获取唯一master锁，阻止其他人称为master；扫描zookeeper上server目录，获得region server列表；与每个server通信，获得Region分配的情况；扫描META.region集合，计算得到当前未分配的region,放入待分配列表。

  • 安装与配置 
 1 下载文件wget xxxx/hbase.tar.gz, tar zxvf habse.xxx
 2 修改配置文件hbase-env.sh
 3 #export JAVA_HOME=user/local/java
 4 #export HBASE_CLASSPATH=/home/Hadoop/Hadoop.xx/conf
 5 #export HBASE_MANAGES_ZK=false
 6 修改hbase-site.xml
 7 <configuration>
 8     <property>
 9         <name>hbase.rootdir</name>
10         <value>hdfs://node0:49000/hbase</value>
11     </property>
12     <property>
13         <name>hbase.cluster.distributed</name>
14         <value>true</value>
15     </property>
16     <property>
17         <name>hbase.tmp.dir</name>
18         <value>/home/hadoop/hbase</value>
19     </property>
20 </configuration>
21 指定Hbase的regionServers
22 最后在系统上设置最大文件数限制和进程数限制/etc/security/limits/conf
23 #hadoop-nofile 3268
24 #hadoop soft/hard nproc 32000
View Code
  • 常见操作

比如创建一个如下表格

#name #grad #course:math #course:art
Xionger 1 62 60
xiongda 2 100 98 
1 create'scores', 'grade', 'course' #创建scores表，列族为grade,course 
2 list #查看有哪些表 
3 describe 'scores' #查看表构造 
4 put 'scores', 'xionger','course:math;, '62' #插入一条数据 
5 get 'score' , 'xionger' #获得熊二成绩 
6 scan 'scores'#扫描表中所有数据 
7 scan 'scores', {columns=>['course:']} #获得courses列族数据
View Code

Tip:

终于完成了，帅，这部分内容之后重点在于既有的集成解决方案，包括docker上的部署等。

此外，有空考虑区块链方面的学习，同时把数据结构好好再学习下，感觉还是不太OK。，比如B+树。

 

参考资料：

  1. 皮雄军. NoSQL数据库技术实战[M]. 北京:清华大学出版社, 2015.
posted @ 2017-05-22 21:50  代码熊二  阅读(1125)  评论(0)  编辑  收藏  举报