hadoop学习日志

Hadoop思想之源：Google

　　面对的数据和计算难题

　　　　——大量的网页怎么存储

　　　　——搜索算法

　　带给我们的关键技术和思想

　　　　——GFS

　　　　——Map-Reduce

　　　　——Bigtable

　　

Hadoop创始人介绍：

　　Hadoop作者Doug cutting，就职Yahoo期间开发了Hadoop项目，目前在CLoudera公司从事架构工作。他不但是Hadoop项目的发起人，还是Lucene、Nutch项目的发起人。

　　　　　　　　　　

 

Hadoop简介：

　　——名字来源于Hadoop之父Doug Cutting儿子的玩具大象。

　　2003-2004年，Google公开了部分GFS和Mapreduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和Mapreduce机制，一个微缩版：Nutch。

　　Hadoop于2005年秋天作为Lucene的子项目Nutch的一部分正式引入Apache基金会。2006年3月份，Map-Reduce和Nutch Distributed File System（NDFS）分别被纳入成为Hadoop的项目中。

 

　　——分布式存储系统HDFS(Hadoop Distributed File System)

• • 分布式存储系统；
  • 提供了：高可靠性、高扩展性和高吞吐率的数据存储服务；

　　——分布式计算框架Map-Reduce

• • 分布式计算框架
  • 具有易于编程、高容错性和高扩展性等优点。

　

HDFS优点：

　　- 高容错性：

• • 数据自动保存多个副本
  • 副本丢失后，自动恢复（最少保留三份）

　　- 高可靠性

• • Hadoop按位存储和处理数据的能力值得人们信赖

　　- 高扩展性

• • Hadoop是在可用的计算机集簇间分配数据并完成计算任务，这些集簇可以方便地扩展到数以千计的节点中

　　- 高效性：

• • Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快

　　- 适合批处理：

• • 移动计算而非数据移动
  • 数据位置暴露给计算框架

　　- 适合大数据处理：

• • GB、TB、甚至PB级数据
  • 百万规模以上的文件数量
  • 10K+节点

　　- 可构建在廉价机器上：

• • 通过多副本提高可靠性
  • 提供了容错和回复机制

HDFS缺点：

　　- 不适合低延迟数据访问：

• • 比如毫秒级
  • 低延迟于高吞吐率

　　- 不适合小文件存取：

• • 占用NameNode大量内存
  • 寻道时间超过读取时间

　　- 不支持并发写入、文件随机修改：

• • 一个文件只能有一个写者，不支持多用户写入及任意修改文件
  • 仅支持append（数据追加）

 

HDFS数据存储元（block）

　　- 文件被切分成固定大小的数据块

• • 默认数据块大小为64MB，可以配置
  • 若文件大小不到64MB，则单独存成一个bloce

　　- 一个文件存储方式

• • 按大小被切分成若干个block，存储到不同节点上
  • 默认情况下每个block都有三个副本

　　- Block大小和副本数通过Clien端上传文件时设置，文件上传成功后副本数可以变更，Block Size不可变更

 

HDFS设计思想：

 

NameNode（NN）：
　　- NameNode主要功能：接受客户端的读写服务

　　- NameNode保存metadata信息，包括：

• • 整个文件系统的目录信息
  • 文件owership（所有者）和permissions（权限）
  • 文件包含哪些block
  • 文件包含的Block保存在哪个DataNode（由DataNode启动时上报）

　　- NameNode的metadata信息在启动后会加载到内存：

• • metadata存储到磁盘文件名为“fsimage”
  • Block的位置信息不会保存到“fsimage”
  • edits记录对metadata的操作日志

　　　　

SecondaryNameNode（SNN）：

　　- 它不是NameNode的备份（但可以做备份），它的主要工作是帮助NameNode合并edits log，减少NameNode启动时间

　　- SecondaryNameNode执行合并时机：

• • 根据配置文件设置的时间间隔fs.checkpoint.period默认3600秒
  • 根据配置文件设置edits log大小fs.checkpoint.size规定edits文件的最大值，默认是64MB

SecondaryNameNode合并流程：

 

 

DataNode（DN）：

　　- 存储数据（block）

　　- 启动DataNode线程的时候会向NameNode汇报block信息（block位置信息），保存到NameNode的metadata（fsimage文件）中

　　- 通过向NameNode发送心跳保持与其联系（3秒一次），如果NameNode10分钟没有收到DataNode的心跳，则认为其已经lost，并copy其上的block到其他DataNode，以保证每个文件的每个Block至少保存有3个副本

 

 

Block的副本放置策略：

 

HDFS写流程

 

HDFS读流程

 

HDFS文件权限：

　　- 与Linux文件权限类似

• • r：read；w：write；x：execute，权限x对于文件忽略，对于文件夹表示是否允许访问其内容

　　- 如果Linux系统用户zhangsan使用hadoop命令创建一个文件，那么这个文件在HDFS中owner就是张三

　　- HDFS的权限目的：阻止好人做错事，而不是阻止坏人做坏事。HDFS相信，你告诉我你是谁，我就认为你是谁

 

安全模式：

　　- namenode启动的时候，首先将映像文件（fsimage）载入内存，并执行编辑日志（edits）中的各项操作

　　- 一旦在内存中成功建立文件系统元数据的映射，则创建一个新的fsimage文件（这个操作不需要SecondaryNameNode）和一个空的编辑日志

　　- 此刻namenode运行在安全模式，即namenode的文件系统对于客户端来说是只读的（显示目录，显示文件内容等。写、删除、重命名都会失败）。

　　- 在此阶段Namenode手机各个datanode的报告，当数据块达到最小副本数以上时，会被认为是“安全”的，在一定比例（可以设置）的数据块被确定为“安全”后，再过若干时间，安全模式结束

　　- 当检测到副本数不足的数据块时，该块会被复制直到达到最小副本数，系统中数据块的位置并不是由namenode维护的，而是以块列表形式存储在datanode中。

 

 

 

HDFS安装：

　　完全分布式安装

• • 下载
  • 解压
  • 检查java和ssh的免密码登录
  • 修改core-site.xml
  • 修改hdfs-site.xml
  • 修改masters文件和slaves文件
  • 格式化namenode
  • start-hdfs.sh启动