深圳做网站最好,免费咨询制度,设置 wap网站,wordpress 中文 字体大小1.Hadoop框架
1.1框架与Hadoop架构简介
#xff08;1#xff09;广义解释 从广义上来说#xff0c;随着大数据开发技术的快速发展与逐步成熟#xff0c;在行业里#xff0c;Hadoop可以泛指为#xff1a;Hadoop生态圈。 也就是说#xff0c;Hadoop指的是大数据生态圈整…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 aHDFS分布式文件系统解决海量数据存储 bMapReduce分布式计算解决海量数据计算 cYARN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
HDFSHadoop 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 1NameNode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。2DataNode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。3Secondary 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
3MySQL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112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
namedfs.replication/name
value3/value
/propertyHDFS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
1edits负责记录文件、块信息有很多edits
2fsimage会将多个edits合并为fsimage1edits 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。 2fsimage 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
1NameNode存放路径:
edits和fsimage路径: /export/data/hadoop/dfs/name/current
2DataNode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 1NameNode元数据管理维护 2SecondaryNameNode元数据合并 1NameNode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
bedits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。2SecondaryNameNode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 1NameNode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….。 2DataNode从节点 用于真正存储数据块。 3Secondary 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
1NameNode
1NameNode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;
4edits_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);
5NameNode就在上述2-4步中循环操作...2Secondary 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
2NameNode告知可以进行合并
3Secondary 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
4Secondary NameNode把刚才合并后的fsimage.checkpoint文件拷贝给NameNode
5NameNode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128MB134217728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。
1DataNode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
3NameNode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
2NameNode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
5NameNode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
2NameNode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
4NameNode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 /arch3.1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
namefs.trash.interval/name
value1440/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
4MapReduce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。 aMap阶段并行处理输入的数据 bReduce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、Flink4.1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/mapreduce2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
1Map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
2Reduce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Map1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1Map阶段 阶段2Shuffle阶段 阶段3Reduce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2Shuffle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/valuePartition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3Reduce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。
