1概述

1.1目的

初步了解hadoop，初步掌握hadoop環(huán)境的部署方法。

1.2基本概念

hadoop的核心主要包含：HDFS和MapReduce

HDFS是分布式文件系統(tǒng)，用于分布式存儲海量數(shù)據(jù)。

MapReduce是分布式數(shù)據(jù)處理模型，本質是并行處理

2基本概念

2.1HDFS

2.1.1HDFS是什么？

HADOOP DISTRIBUTED FILE SYSTEM，簡稱HDFS，是一個分布式文件系統(tǒng)。它是谷歌的GFS提出之后出現(xiàn)的另外一種文件系統(tǒng)。它有一定高度的容錯性，而且提供了高吞吐量的數(shù)據(jù)訪問，非常適合大規(guī)模數(shù)據(jù)集上的應用。HDFS 提供了一個高度容錯性和高吞吐量的海量數(shù)據(jù)存儲解決方案。

在最初，HADOOP是作為Apache Nutch搜索引擎項目的基礎架構而開發(fā)的，后來由于它獨有的特性，讓它成為HADOOP CORE項目的一部分。

2.1.2HDFS的設計思路？

是什么提供它高吞吐量的數(shù)據(jù)訪問和適合大規(guī)模數(shù)據(jù)集的應用的特性呢，這就要說一下它的設計思路。

首先HDFS的設計之初就是針對超大文件的存儲的，小文件不會提高訪問和存儲速度，反而會降低；其次它采用了最高效的訪問模式，也就是經(jīng)常所說的流式數(shù)據(jù)訪問，特點就是一次寫入多次讀?。辉儆芯褪撬\行在普通的硬件之上的，即使硬件故障，也就通過容錯來保證數(shù)據(jù)的高可用。

2.1.3HDFS的一些概念

Block：大文件的存儲會被分割為多個block進行存儲。默認為64MB，每一個blok會在多個datanode上存儲多份副本，默認為3份。[這些設置都能夠通過配置文件進行更改]

Namenode：主要負責存儲一些metadata信息，主要包括文件目錄、block和文件對應關系，以及block和datanote的對應關系

Datanode：負責存儲數(shù)據(jù)，上面我們所說的高度的容錯性大部分在datanode上實現(xiàn)的[還有一部分容錯性是體現(xiàn)在namenode和secondname，還有jobtracker的容錯等]。

2.1.4HDFS的基礎架構圖

HDFS的基礎架構圖

2.1.5解析HDFS帶來的好處

高吞吐量訪問：HDFS的每個block分布在不同的rack上，在用戶訪問時，HDFS會計算使用最近和訪問量最小的服務器給用戶提供。由于block在不同的rack上都有備份，所以不再是單數(shù)據(jù)訪問，所以速度和效率是非?？斓?。另外HDFS可以并行從服務器集群中讀寫，增加了文件讀寫的訪問帶寬。

高容錯性：上面簡單的介紹了一下高度容錯。系統(tǒng)故障是不可避免的，如何做到故障之后的數(shù)據(jù)恢復和容錯處理是至關重要的。HDFS通過多方面保證數(shù)據(jù)的可靠性，多分復制并且分布到物理位置的不同服務器上，數(shù)據(jù)校驗功能、后臺的連續(xù)自檢數(shù)據(jù)一致性功能，都為高容錯提供了可能。

容量擴充：因為HDFS的block信息存放到namenode上，文件的block分布到datanode上，當擴充的時候，僅僅添加datanode數(shù)量，系統(tǒng)可以在不停止服務的情況下做擴充，不需要人工干預。

2.2MapReduce

從它名字上來看就大致可以看出個緣由，兩個動詞Map和Reduce。

Map（展開）就是將一個任務分解成為多個任務，Reduce就是將分解后多任務處理的結果匯總起來，得出最后的分析結果。

2.2.1MapReduce原理

在Hadoop中，每個MapReduce任務都被初始化為一個Job，每個Job又可以分為兩種階段：map階段和reduce階段。這兩個階段分別用兩個函數(shù)表示，即map函數(shù)和reduce函數(shù)。map函數(shù)接收一個形式的輸入，然后同樣產(chǎn)生一個形式的中間輸出，Hadoop函數(shù)接收一個如形式的輸入，然后對這個value集合進行處理，每個reduce產(chǎn)生0或1個輸出，reduce的輸出也是形式的。

2.2.2Map的過程

MapRunnable從input split中讀取一個個的record，然后依次調用Mapper的map函數(shù)，將結果輸出。map的輸出并不是直接寫入硬盤，而是將其寫入緩存memory buffer。當buffer中數(shù)據(jù)的到達一定的大小，一個背景線程將數(shù)據(jù)開始寫入硬盤。在寫入硬盤之前，內存中的數(shù)據(jù)通過partitioner分成多個partition。在同一個partition中，背景線程會將數(shù)據(jù)按照key在內存中排序。每次從內存向硬盤flush數(shù)據(jù)，都生成一個新的spill文件。

當此task結束之前，所有的spill文件被合并為一個整的被partition的而且排好序的文件。reducer可以通過http協(xié)議請求map的輸出文件，tracker.http.threads可以設置http服務線程數(shù)。

2.2.3Reduce的過程

當map task結束后，其通知TaskTracker，TaskTracker通知JobTracker。對于一個job，JobTracker知道TaskTracer和map輸出的對應關系。reducer中一個線程周期性的向JobTracker請求map輸出的位置，直到其取得了所有的map輸出。reduce task需要其對應的partition的所有的map輸出。reduce task中的copy過程即當每個map task結束的時候就開始拷貝輸出，因為不同的map task完成時間不同。reduce task中有多個copy線程，可以并行拷貝map輸出。當很多map輸出拷貝到reduce task后，一個背景線程將其合并為一個大的排好序的文件。當所有的map輸出都拷貝到reduce task后，進入sort過程，將所有的map輸出合并為大的排好序的文件。最后進入reduce過程，調用reducer的reduce函數(shù)，處理排好序的輸出的每個key，最后的結果寫入HDFS。