分布式计算框架Hadoop原理及架构全解
Hadoop是Apache软件基金会所开发的并行计算框架与分布式文件系统。最核心的模块包括Hadoop Common、HDFS与MapReduce。
HDFS
HDFS是Hadoop分布式文件系统(Hadoop Distributed File System)的缩写,为分布式计算存储提供了底层支持。采用Java语言开发,可以部署在多种普通的廉价机器上,以集群处理数量积达到大型主机处理性能。
HDFS 架构原理
HDFS采用master/slave架构。一个HDFS集群包含一个单独的NameNode和多个DataNode。
NameNode作为master服务,它负责管理文件系统的命名空间和客户端对文件的访问。NameNode会保存文件系统的具体信息,包括文件信息、文件被分割成具体block块的信息、以及每一个block块归属的DataNode的信息。对于整个集群来说,HDFS通过NameNode对用户提供了一个单一的命名空间。
DataNode作为slave服务,在集群中可以存在多个。通常每一个DataNode都对应于一个物理节点。DataNode负责管理节点上它们拥有的存储,它将存储划分为多个block块,管理block块信息,同时周期性的将其所有的block块信息发送给NameNode。
下图为HDFS系统架构图,主要有三个角色,Client、NameNode、DataNode。
文件写入时:
Client向NameNode发起文件写入的请求。
NameNode根据文件大小和文件块配置情况,返回给Client它所管理部分DataNode的信息。
Client将文件划分为多个block块,并根据DataNode的地址信息,按顺序写入到每一个DataNode块中。
当文件读取:
Client向NameNode发起文件读取的请求。
NameNode返回文件存储的block块信息、及其block块所在DataNode的信息。
Client读取文件信息。
HDFS 数据备份
HDFS被设计成一个可以在大集群中、跨机器、可靠的存储海量数据的框架。它将所有文件存储成block块组成的序列,除了最后一个block块,所有的block块大小都是一样的。文件的所有block块都会因为容错而被复制。每个文件的block块大小和容错复制份数都是可配置的。容错复制份数可以在文件创建时配置,后期也可以修改。HDFS中的文件默认规则是write one(一次写、多次读)的,并且严格要求在任何时候只有一个writer。NameNode负责管理block块的复制,它周期性地接收集群中所有DataNode的心跳数据包和Blockreport。心跳包表示DataNode正常工作,Blockreport描述了该DataNode上所有的block组成的列表。
备份数据的存放:
备份数据的存放是HDFS可靠性和性能的关键。HDFS采用一种称为rack-aware的策略来决定备份数据的存放。通过一个称为Rack Awareness的过程,NameNode决定每个DataNode所属rack id。缺省情况下,一个block块会有三个备份,一个在NameNode指定的DataNode上,一个在指定DataNode非同一rack的DataNode上,一个在指定DataNode同一rack的DataNode上。这种策略综合考虑了同一rack失效、以及不同rack之间数据复制性能问题。
副本的选择:
为了降低整体的带宽消耗和读取延时,HDFS会尽量读取最近的副本。如果在同一个rack上有一个副本,那么就读该副本。如果一个HDFS集群跨越多个数据中心,那么将首先尝试读本地数据中心的副本。
安全模式:
系统启动后先进入安全模式,此时系统中的内容不允许修改和删除,直到安全模式结束。安全模式主要是为了启动检查各个DataNode上数据块的安全性。
MapReduce
MapReduce 来源
MapReduce是由Google在一篇论文中提出并广为流传的。它最早是Google提出的一个软件架构,用于大规模数据集群分布式运算。任务的分解(Map)与结果的汇总(Reduce)是其主要思想。Map就是将一个任务分解成多个任务,Reduce就是将分解后多任务分别处理,并将结果汇总为最终结果。熟悉Function Language的人一定感觉很熟悉,不是什么新的思想。
MapReduce 处理流程
上图就是MapReduce大致的处理流程。在Map之前,可能还有对输入数据的Split过程以保证任务并行效率,在Map之后可能还有Shuffle过程来提高Reduce的效率以及减小数据传输的压力。
Hadoop
Hadoop被定位为一个易于使用的平台,以HDFS、MapReduce为基础,能够运行上千台PCServer组成的系统集群,并以一种可靠、容错的方式分布式处理请求。
Hadoop 部署
下图显示Hadoop部署结构示意图
在Hadoop的系统中,会有一台master,主要负责NameNode的工作以及JobTracker的工作。JobTracker的主要职责就是启动、跟踪和调度各个Slave的任务执行。还会有多台slave,每一台slave通常具有DataNode的功能并负责TaskTracker的工作。TaskTracker根据应用要求来结合本地数据执行Map任务以及Reduce任务。
Hadoop 处理流程
在描述Hadoop处理流程之前,先提一个分布式计算最为重要的设计原则:Moving Computation is Cheaper than Moving Data。意思是指在分布式计算中,移动计算的代价总是低于移动数据的代价。本地计算使用本地数据,然后汇总才能保证分布式计算的高效性。
下图所示Hadoop处理流程:
Hadoop 安装
到目前为止,已经完成了基础理论的介绍,下面介绍Hadoop的安装过程。
硬件条件:3台PCServer。
HostName | IP | Plan |
fa1 | 10.143.20.211 | master |
fa2 | 10.143.20.212 | slave |
fa3 | 10.143.20.213 | slave |
预装:操作系统Linux,JDK1.6,ssh,并且保证 sshd一直运行。
安装步骤:
1. 在所有机器上新建hadoop用户,home目录设置为/home/hadoop/
2. 下载Hadoop(这里下载的是hadoop-0.18.3),先解压到master上。
3. 进入/home/hadoop/hadoop-0.18.3/conf目录,修改hadoop-site.xml文件。
hadoop-site.xml文件默认配置为空,它主要被用来覆盖hadoop-default.xml的系统级配置。
<property>
<name>fs.default.name</name>
<value>hdfs:// 10.143.20.211:8980/</value>
</property>
<property>
<name>mapred.job.tracker</name>
<value>hdfs:// 10.143.20.211:8990/</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/hadoop-0.18.3/tmp/</value>
</property>
<property>
<name> dfs.block.size </name>
<value>51200</value>
</property>
4. 进入/home/hadoop/hadoop-0.18.3/conf目录,修改hadoop-env.sh文件。
export JAVA_HOME= /usr/lib/java6
5. 建立master到slave的ssh访问授权。
6. 通过scp将master上的hadoop-0.18.3目录拷贝到所有slave同名目录上。
7. 在每个slave上修改hadoop-env.sh文件,设置JAVA_HOME。
8. 修改profile文件,扩展PATH路径。
export HADOOP_HOME=/home/hadoop/hadoop-0.18.3/
export PATH=$PATH:$HADOOP_HOME/bin
9. 在master上执行hadoop namenode -format
10. 执行start-all.sh启动。
参考文献:
http://hadoop.apache.org/hdfs/docs/current/hdfs_design.html
http://hadoop.apache.org/mapreduce/docs/current/mapred_tutorial.html
http://www.slideshare.net/waue/hadoop-map-reduce-3019713
http://www.infoq.com/cn/articles/hadoop-intro
分布式计算框架Hadoop原理及架构全解相关推荐
- 分布式计算框架Hadoop核心组件
Hadoop作为成熟的分布式计算框架在大数据生态领域已经使用多年,本文简要介绍Hadoop的核心组件MapReduce.YARN和HDFS,以加深了解. 1.Hadoop基本介绍 Hadoop是分布式 ...
- 分布式计算框架Hadoop核心组件概述
Hadoop作为成熟的分布式计算框架在大数据生态领域已经使用多年,本文简要介绍Hadoop的核心组件MapReduce.YARN和HDFS,以加深了解. 1.Hadoop基本介绍 Hadoop是分布式 ...
- 你不知道的RabbitMQ集群架构全解
你不知道的RabbitMQ集群架构全解 前言 本文将系统的介绍一下RabbitMQ集群架构的特点.异常处理.搭建和使用中要注意的一些细节. 知识点 一.为什么使用集群? 二.集群的特点 三.集群异常处 ...
- DL之YoloV3:Yolo V3算法的简介(论文介绍)、各种DL框架代码复现、架构详解、案例应用等配图集合之详细攻略
DL之YoloV3:Yolo V3算法的简介(论文介绍).各种DL框架代码复现.架构详解.案例应用等配图集合之详细攻略 目录 Yolo V3算法的简介(论文介绍) 0.YoloV3实验结果 1.Yol ...
- 计算机在化学化工中的应用ppt绪论,化工原理_01概述全解课件.ppt
<化工原理_01概述全解课件.ppt>由会员分享,提供在线免费全文阅读可下载,此文档格式为ppt,更多相关<化工原理_01概述全解课件.ppt>文档请在天天文库搜索. 1.化工 ...
- 分布式计算框架Gearman原理详解
什么是Gearman? Gearman提供了一个通用的应用程序框架,用于将工作转移到更适合于工作的其他机器或流程.它允许你并行工作,负载平衡处理,并在语言间调用函数.它可用于从高可用性网站到传输数据库 ...
- 分布式计算框架Hadoop
http://blog.csdn.net/x15594/article/details/6275493 Hadoop是Apache软件基金会所开发的并行计算框架与分布式文件系统.最核心的模块包括Had ...
- Hadoop 原理和架构
04 | 移动计算比移动数据更划算 那么如何解决 PB 级数据进行计算的问题呢? 这个问题的解决思路其实跟大型网站的分布式架构思路是一样的,采用分布式集群的解决方案,用数千台甚至上万台计算机构建一个大 ...
- 第一百零八期:比较容易理解的Hbase架构全解,10分钟学会,建议收藏
依然是Hadoop组件的讲解,今天说到HBase 架构,都是一字一句打出来的,希望各位转发加关注,会一直给大家写优质的内容. 作者:IT技术管理那些事儿 依然是Hadoop组件的讲解,今天说到HBas ...
最新文章
- T-SQL: 17 个与日期时间相关的自定义函数(UDF),周日作为周的最后一天,均不受 @@DateFirst、语言版本影响...
- 大剑无锋之ArrayList中使用增强for循环能删除元素吗?【面试推荐】
- CF1368G Shifting Dominoes(扫描线求矩阵的并集)
- Qt多文件传输功能实现及方法概述
- 惠普电脑如何下载c语言软件,惠普笔记本电脑上的语言栏怎么弄
- 编译链接错误:对‘vtable for xxxx’未定义的引用
- Android进阶之路 - 病毒检测工具
- 网格搜索、随机搜索机器学习实战
- Javascript连接数据库并查询和插入数据
- 【056】历史性突破!翼辉信息助力星际荣耀火箭入轨!
- 水清冷冷:PS 2021 (Adobe Photoshop 2021) 安装教程和学习方法(附工具)
- 戴尔便携式计算机 故障,老DELL笔记本电脑常见故障“通病”问题
- windows和linux下编译draco
- pgsql依赖性追踪
- autojs之大柒侧滑栏详解
- 让System.Drawing.Bitmap可以在linux运行
- php的表达爱意的一句代码,含蓄表达爱意的爱情诗句(70条)
- GD32低功耗:深度睡眠唤醒系统时钟变慢问题
- 艾兰岛编辑器-路径点
- 【建议收藏系列】爆肝3w字带你理解什么叫运维~