【图解大数据技术】Hadoop、HDFS、MapReduce、Yarn
HadoopHadoop是Apache开源的分布式大数据存储与盘算框架，由HDFS、MapReduce、Yarn三部分构成。广义上的Hadoop实在是指Hadoop生态圈，包括的组件就不但是HDFS、MapReduce、Yarn，还包括Spark、Flink、Zookeeper、Sqoop、Hive、HBase等工具，但是我们讨论的不是Hadoop生态圈。
https://img-blog.csdnimg.cn/direct/3c9766dcff724ac691f5ec807b9a057b.png
由于要办理大数据量的存储和盘算问题，因此数据不能再存储在关系型数据库，而是存储在分布式文件体系HDFS中；然后通太过布式离线盘算框架MapReduce举行盘算；而Yarn则是负责资源调理，也就是决定盘算使命调理到哪些节点上执行。
https://img-blog.csdnimg.cn/direct/e114e5025c7d421f8a8230d29107fa66.png
HDFS
HDFS是一个分布式文件体系，用于存储海量的文件数据。其优点是可以存储达PB级别的文件数据，百万级别以上的文件数目；而缺点则是不适合低延时数据访问，并且不支持文件修改，只支持追加。
HDFS架构
https://img-blog.csdnimg.cn/direct/c4e60306d8e745f8ae5a52c6da150485.png
HDFS一共由四部分构成：Client、NameNode、DataNode、SecondaryNameNode。
[*]Client：负责文件上传之前的文件切分，切分好后传输每一个文件数据块到DataNode，上传数据块前询问NameNode该数据块上传的目标DataNode；从HDFS读取文件前询问NameNode返回文件元数据信息，再根据元数据从DataNode读取每个数据块。
[*]NameNode：担当DataNode的注册，存储文件的元数据信息，配置副本计谋等。
[*]DataNode：存储文件数据块。
[*]SecondaryNameNode：给NameNode举行FsImage（磁盘中的元数据）和Edits（内存中的元数据，还未写入FsImage，在Edits中举行追加写记载日记）的归并。
写文件流程
文件写入流程如下：
https://img-blog.csdnimg.cn/direct/90837470d8d741d6abcbdad5896b8cfd.png
客户端在上传文件时会举行文件切割，把文件切割成一个一个的数据块block，然后分别上传每个数据块；上传每个数据块时，询问NameNode得知该数据块传输到哪些DataNode上；然后根据NameNode返回结果，上传数据块到DataNode。
读文件流程
文件读取流程如下：
https://img-blog.csdnimg.cn/direct/8bea8174e84a4315a7be4afcd54d5a36.png
NameNode记载了文件元数据信息，比如哪个block存储在哪些DataNode。Client读取文件时，请求NameNode获取元数据信息，就可以根据元数据信息请求对应的DataNode读取对应的每个block。
MapReduce
MapReduce简介
MapReduce是一个分布式离线盘算框架，专门用于处理大数据场景中与及时性无关的一些离线盘算使命。
https://img-blog.csdnimg.cn/direct/3e75975ac9e04902a730fd6cff8e0cbd.png
MapReduce的数据输入一般是HDFS，然后经过InputFormat举行输入格式化，变成<K,V>格式；然后执行用户实现的Mapper范例的map方法，举行数据映射，映射处理的结果也是<K,V>格式；然后执行一个shuffle过程，对映射结果举行按key举行分组分区，把同一区域的所有KV发送到同一个Reducer，由一个节点举行；Reducer对同一个key分组下的所有value举行聚合操纵；然后Reducer的输出结果再经过OutputFormat举行格式化处理后举行结果输出。
MapReduce整体流程
下面是MapReduce运行的整体流程：
https://img-blog.csdnimg.cn/direct/9c0acfea7a624adeb28009c264f576a1.png
[*]client从HDFS读取指定文件的元数据，然后根据文件大小和block大小盘算切片信息，得出切片规划文件，然后提交job到Yarn指定的路径，job中包括切片规划文件和jar包等，这个jar包包罗了用户编写的Mapper和Reducer。
[*]Yarn根据切片数目盘算MapTask的数据量，一般一个block对应一个MapTask，然后把对应的task和程序启动脚天职派给block所在的节点上运行。
[*]每个节点执行对应的MapTask，默认的InputFormat读取每一行数据，然后以该行数据在文件中的起始字节偏移量为key，行数据本身作为value，调用Mapper的map方法。
[*]Mapper的map方法举行数据映射处理，那是用户自己实现的逻辑。
[*]对盘算结果举行Shuffle处理，根据key举行分组排序，然后对所有的key举行分区处理，同一分区的所有key会指派给一个ReduceTask执行，每个ReduceTask又会分派给一个节点执行。
[*]执行ReduceTask的节点下载分区数据，然后对差别MapTask得出的同一partition举行归并并排序。
[*]调用Reducer的reduce方法举行相应的聚合盘算，这里也是由用户自己实现。
[*]OutputFormation把Reducer产生的结果做格式化处理，默认会写为行数据。
[*]最后把结果存入HDFS中。
Yarn
Yarn是负责资源调理的，由Yarn管理每个Node节点然后举行使命分派，也就是把MapTask和ReduceTask分配给对应的Node。
https://img-blog.csdnimg.cn/direct/56414fc78f9045a391568024e67b5f7e.png
yarn有ResourceManager和NodeManager两角色。ResourceManager负责监控NodeManager，吸收客户端提交的job，然后举行资源分配调理；NodeManager负责管理单个节点上的资源，并执行ResourceManager的命令，启动并运行相应的MapTask和ReduceTask。
https://img-blog.csdnimg.cn/direct/1d22faee858044d9aadb168042854388.png
然而真正举行使命分配的并不是ResourceManager，ResourceManager每吸收一个job，会选一个NodeManager来启动一个ApplicationMaster，由ApplicationMaster向ResourceManager申请资源并发送使命和启动脚本到对应的NodeManager。
而task都是在Container中运行，Container是节点资源的抽象（比如cpu、内存等），也就是限制了该task只能使用这么多资源，避免一个task占满整个node的所有资源。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]