hadoop概要

　　到底是業(yè)務(wù)推動了技術(shù)的發(fā)展，還是技術(shù)推動了業(yè)務(wù)的發(fā)展，這個話題放在什么時候都會惹來一些爭議。

　　隨著互聯(lián)網(wǎng)以及物聯(lián)網(wǎng)的蓬勃發(fā)展，我們進入了大數(shù)據(jù)時代。IDC預(yù)測，到2020年,全球會有44ZB的數(shù)據(jù)量。 傳統(tǒng)存儲和技術(shù)架構(gòu)無法滿足需求 。在2013年出版的《大數(shù)據(jù)時代》一書中，定義了大數(shù)據(jù)的5V特點：Volume(大量)、Velocity(高速)、Variety(多樣)、Value(低價值密度)、Veracity(真實性)。

　　當(dāng)我們把時間往回看10年，來到了2003年，這一年Google發(fā)表《Google File System》，其中提出一個GFS集群中由多個節(jié)點組成，其中主要分為兩類：一個Master node，很多Chunkservers。之后于2004年Google發(fā)表論文并引入MapReduce。2006年2月，Doug Cutting等人在Nutch項目上應(yīng)用GFS和 MapReduce思想,并演化為Hadoop項目。

　　Doug Cutting曾經(jīng)說過他非常喜歡自己的程序被千萬人使用的感覺，很明顯，他做到了;下圖就是本尊照片，帥氣的一塌糊涂

　　2008年1月, Hadoop成為Apache的開源項目。

　　Hadoop的出現(xiàn)解決了互聯(lián)網(wǎng)時代的海量數(shù)據(jù)存儲和處理，其是一種支持分布式計算和存儲的框架體系。假如把Hadoop集群抽象成一臺機器的話，理論上我們的硬件資源(CPU、Memoery等)是可以無限擴展的。

　　Hadoop通過其各個組件來擴展其應(yīng)用場景，例如離線分析、實時處理等。

　　Hadoop相關(guān)組件介紹

　　本文主要是依據(jù)Hadoop2.7版本，后面沒有特殊說明也是按照此版本

　　HDFS

　　HDFS,Hadoop Distributed File System (Hadoop分布式文件系統(tǒng))被設(shè)計成適合運行在通用硬件(commodity hardware)上的分布式文件系統(tǒng)。它和現(xiàn)有的分布式文件系統(tǒng)有很多共同點，例如典型的Master/Slave架構(gòu)(這里不準(zhǔn)備展開介紹);然而HDFS是一個高度容錯性的系統(tǒng)，適合部署在廉價的機器上。

　　關(guān)于HDFS主要想說兩點。

　　HDFS中的默認(rèn)副本數(shù)是3，這里涉及到一個問題為什么是3而不是2或者4。

　　機架感知(Rack Awareness)。

　　只有深刻理解了這兩點才能理解為什么Hadoop有著高度的容錯性，高度容錯性是Hadoop可以在通用硬件上運行的基礎(chǔ)。

　　Yarn

　　Yarn,Yet Another Resource Negotiator(又一個資源協(xié)調(diào)者)，是繼Common、HDFS、MapReduce之后Hadoop 的又一個子項目。Yarn的出現(xiàn)是因為在Hadoop1.x中存在如下幾個問題：

　　擴展性差。JobTracker兼?zhèn)滟Y源管理和作業(yè)控制兩個功能。

　　可靠性差。在Master/Slave架構(gòu)中,存在Master單點故障。

　　資源利用率低。Map Slot (1.x中資源分配的單位)和Reduce Slot分開,兩者之間無法共享。

　　無法支持多種計算框架。MapReduce計算框架是基于磁盤的離線計算 模型,新應(yīng)用要求支持內(nèi)存計算、流式計算、迭代式計算等多種計算框架。

　　Yarn通過拆分原有的JobTracker為：

　　全局的 ResourceManager(RM)。

　　每個Application有一個ApplicationMaster(AM)。

　　由Yarn專門負(fù)責(zé)資源管理,JobTracker可以專門負(fù)責(zé)作業(yè)控制,Yarn接替 TaskScheduler的資源管理功能,這種松耦合的架構(gòu)方式 實現(xiàn)了Hadoop整體框架的靈活性。

　　Hive

　　Hive的是基于Hadoop上的數(shù)據(jù)倉庫基礎(chǔ)構(gòu)架，利用簡單的SQL語句(簡稱HQL)來查詢、分析存儲在HDFS的數(shù)據(jù)。并且把SQL語句轉(zhuǎn)換成MapReduce程序來數(shù)據(jù)的處理。

　　Hive與傳統(tǒng)的關(guān)系數(shù)據(jù)庫主要區(qū)別在以下幾點：

　　存儲的位置 Hive的數(shù)據(jù)存儲在HDFS或者Hbase中，而后者一般存儲在裸設(shè)備或者本地的文件系統(tǒng)中。

　　數(shù)據(jù)庫更新 Hive是不支持更新的，一般是一次寫入多次讀寫。

　　執(zhí)行SQL的延遲 Hive的延遲相對較高，因為每次執(zhí)行HQL需要解析成MapReduce。

　　數(shù)據(jù)的規(guī)模上 Hive一般是TB級別，而后者相對較小。

　　可擴展性上 Hive支持UDF/UDAF/UDTF，后者相對來說較差。

　　HBase

　　HBase，是Hadoop Database，是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統(tǒng)。它底層的文件系統(tǒng)使用HDFS，使用Zookeeper來管理集群的HMaster和各Region server之間的通信，監(jiān)控各Region server的狀態(tài)，存儲各Region的入口地址等。

　　HBase是Key-Value形式的數(shù)據(jù)庫(類比Java中的Map)。那么既然是數(shù)據(jù)庫那肯定就有表，HBase中的表大概有以下幾個特點：

　　大：一個表可以有上億行，上百萬列(列多時，插入變慢)。

　　面向列：面向列(族)的存儲和權(quán)限控制，列(族)獨立檢索。

　　稀疏：對于為空(null)的列，并不占用存儲空間，因此，表可以設(shè)計的非常稀疏。

　　每個cell中的數(shù)據(jù)可以有多個版本，默認(rèn)情況下版本號自動分配，是單元格插入時的時間戳。

　　HBase中的數(shù)據(jù)都是字節(jié)，沒有類型( 因為系統(tǒng)需要適應(yīng)不同種類的數(shù)據(jù)格式和數(shù)據(jù)源，不能預(yù)先嚴(yán)格定義模式 )。

　　Spark

　　Spark是由伯克利大學(xué)開發(fā)的分布式計算引擎，解決了海量數(shù)據(jù)流式分析的問題。Spark首先將數(shù)據(jù)導(dǎo)入Spark集群，然后再通過基于內(nèi)存的管理方式對數(shù)據(jù)進行快速掃描 ，通過迭代算法實現(xiàn)全局I/O操作的最小化，達(dá)到提升整體處理性能的目的，這與Hadoop從“計算”找“數(shù)據(jù)”的實現(xiàn)思路是類似的。

　　Other Tools

　　Phoneix

　　基于Hbase的SQL接口，安裝完P(guān)honeix之后可以適用SQL語句來操作Hbase數(shù)據(jù)庫。

　　Sqoop

　　Sqoop的主要作用是方便不同的關(guān)系數(shù)據(jù)庫將數(shù)據(jù)遷移到Hadoop，支持多種數(shù)據(jù)庫例如Postgres，Mysql等。

　　Hadoop集群硬件和拓?fù)湟?guī)劃

　　規(guī)劃這件事情并沒有最優(yōu)解，只是在預(yù)算、數(shù)據(jù)規(guī)模、應(yīng)用場景下之間的平衡。

　　硬件配置

　　Raid

　　首先Raid是否需要，在回答這個問題之前，我們首先了解什么是Raid0以及Raid1。

　　Raid0是提高存儲性能的原理是把連續(xù)的數(shù)據(jù)分散到多個磁盤上存取，這樣，系統(tǒng)有數(shù)據(jù)請求就可以被多個磁盤并行的執(zhí)行，每個磁盤執(zhí)行屬于它自己的那部分?jǐn)?shù)據(jù)請求。這種數(shù)據(jù)上的并行操作可以充分利用總線的帶寬，顯著提高磁盤整體存取性能。( 來源百度百科 )

　　當(dāng)Raid0與Hadoop結(jié)合在一起會產(chǎn)生什么影響呢?

　　優(yōu)勢：

　　提高IO。

　　加快讀寫。

　　消除單塊磁盤的讀寫過熱的情況。

　　然而在Hadoop系統(tǒng)中，當(dāng)Raid0中的一塊磁盤數(shù)據(jù)出現(xiàn)問題(或者讀寫變得很慢的時候)時，你需要重新格式化整個Raid，并且數(shù)據(jù)需要重新恢復(fù)到DataNode中。整個周期會隨著數(shù)據(jù)的增加而逐步增加。

　　其次Raid0的瓶頸是Raid中最慢的那一塊盤，當(dāng)你需要替換其中最慢的那一塊盤的時候就會重新格式化整個Raid然后恢復(fù)數(shù)據(jù)。

　　RAID 1通過磁盤數(shù)據(jù)鏡像實現(xiàn)數(shù)據(jù)冗余，在成對的獨立磁盤上產(chǎn)生互 為備份的數(shù)據(jù)。當(dāng)原始數(shù)據(jù)繁忙時，可直接從鏡像拷貝中讀取數(shù)據(jù)，因此RAID 1可以提高讀取性能。RAID 1是磁盤陣列中單位成本最高的，但提供了很高的數(shù)據(jù)安全性和可用性。當(dāng)一個磁盤失效時，系統(tǒng)可以自動切換到鏡像磁盤上讀寫，而不需要重組失效的數(shù)據(jù)。( 來源百度百科 )

　　所以Raid1的本質(zhì)是提高數(shù)據(jù)的冗余，而Hadoop本身默認(rèn)就是3個副本，所以當(dāng)存在Raid1時候，副本數(shù)將會變成6，將會提高系統(tǒng)對于硬件資源的需求。

　　所以在Hadoop系統(tǒng)中不建議適用Raid的，其實更加推薦JBOD，當(dāng)一塊磁盤出現(xiàn)問題時，直接unmount然后替換磁盤(很多時候直接換機器的)。

　　集群規(guī)模及資源

　　這里主要依據(jù)數(shù)據(jù)總量來推算集群規(guī)模，不考慮CPU以以及內(nèi)存配置。

　　一般情況來說，我們是根據(jù)磁盤的的需求來計算需要機器的個數(shù)。

　　首先我們需要調(diào)研整個系統(tǒng)的當(dāng)量以及增量數(shù)據(jù)。

　　舉個例子來說，假如現(xiàn)在系統(tǒng)中存在8T的數(shù)據(jù)，默認(rèn)副本數(shù)為3，那么所需要的存儲=8T*3/80% = 30T左右。

　　每臺機器存儲為6T，則數(shù)據(jù)節(jié)點個數(shù)為5。

　　加上Master節(jié)點，不考慮HA的情況下，大概是6臺左右機器。

　　軟件配置

　　根據(jù)業(yè)務(wù)需求是否需要配置HA方案進行劃分,由于實際場景復(fù)雜多變，下面方案僅供參考。

　　1.非HA方案

　　一般考慮將所有的管理節(jié)點放在一臺機器上，同時在數(shù)據(jù)節(jié)點上啟動若干個Zookeeper服務(wù)(奇數(shù))。

　　管理節(jié)點：NameNode ResourceManager HMaster

　　數(shù)據(jù)節(jié)點：SecondaryNameNode

　　數(shù)據(jù)節(jié)點：DataNode RegionServer Zookeeper

　　2.HA方案

　　在HA方案中，需要將Primary Node 與Standby Node 放在不同的機器上，一般在實際場景中，考慮到節(jié)省機器，可能會將不同的組件的Master節(jié)點進行交叉互備，如A機器上有Primary NameNonde 以及 Standby HMaster ，B機器上有Standby NameNode 以及 Primary Master。

　　管理節(jié) 點：NameNode(Primary) HMaster(Standby)

　　管理節(jié)點：NameNode(Standby) HMaster(Primary)

　　管理節(jié)點：ResourceManager

　　數(shù)據(jù)節(jié)點：DataNode RegionServer Zookeeper

　　Hadoop的設(shè)計目標(biāo)和適用場景

　　其實在上面的 Hadoop概要 上我們就可以看到Hadoop當(dāng)初的設(shè)計目標(biāo)是什么。Hadoop在很多場合下都是大數(shù)據(jù)的代名詞。其主要是用來處理半結(jié)構(gòu)以及非結(jié)構(gòu)數(shù)據(jù)(例如MapReduce)。

　　其本質(zhì)也是通過Mapreduce程序來將半結(jié)構(gòu)化或者非結(jié)構(gòu)化的數(shù)據(jù)結(jié)構(gòu)化繼而來進行后續(xù)的處理。

　　其次由于Hadoop是分布式的架構(gòu)，其針對的是大規(guī)模的數(shù)據(jù)處理，所以相對較少的數(shù)據(jù)量并不能體現(xiàn)Hadoop的優(yōu)勢。例如處理GB級別的數(shù)據(jù)量，利用傳統(tǒng)的關(guān)系型數(shù)據(jù)庫的速度可能相對較快。

　　基于上述來看Hadoop的適用場景如下：

　　離線日志的處理(包括ETL過程，其實本質(zhì)就是基于Hadoop的數(shù)據(jù)倉庫)。

　　大規(guī)模并行計算。

　　Hadoop的架構(gòu)解析

　　Hadoop由主要由兩部分組成：

　　分布式文件系統(tǒng)(HDFS)，主要用于大規(guī)模的數(shù)據(jù)存儲。

　　分布式計算框架MapReduce，其主要用來對HDFS上的數(shù)據(jù)進行運算處理。

　　HDFS主要由NameNode(Master)以及DataNode(Slave)組成。前者主要是對命名空間管理：如對HDFS中的目錄、文件和塊做類似 文件系統(tǒng)的創(chuàng)建、修改、刪除、列表文件和目錄等基本操作。后者存儲實際的數(shù)據(jù)塊，并與NameNode保持一定的心跳。

　　MapReduce2.0的計算框架本質(zhì)是有Yarn來完成的，Yarn是關(guān)注點分離的思路，由Yarn專門負(fù)責(zé)資源管理 ，JobTracker可以專門負(fù)責(zé)作業(yè)控制，Yarn接替 TaskScheduler的資源管理功能，這種松耦合的架構(gòu)方式 實現(xiàn)了Hadoop整體框架的靈活性。

　　MapReduce工作原理和案例說明

　　MapReduce可謂Hadoop的精華所在，是用于數(shù)據(jù)處理的編程模型。MapReduce從名稱上面可以看到Map以及Reduce兩個部分。其思想類似于先分后合，Map對與數(shù)據(jù)進行抽取轉(zhuǎn)換，Reduce對數(shù)據(jù)進行匯總。其中需要注意的是Map任務(wù)將輸出結(jié)果存儲在本地磁盤,而不是HDFS。

　　在我們執(zhí)行MapReduce的過程中，根據(jù)Map與數(shù)據(jù)庫的關(guān)系大體上可以分為三類：

　　數(shù)據(jù)本地

　　機架本地

　　跨機架

　　從上述幾種可以看出來，假設(shè)一個MapReduce過程中存在大量的數(shù)據(jù)移動對于執(zhí)行效率來說是災(zāi)難性。

　　MapReduce數(shù)據(jù)流

　　從數(shù)據(jù)流來看MapReduce的關(guān)系大體可以分為以下幾類：

　　單Reduce

　　多Reduce

　　無Reduce

然而無論什么MapReduce關(guān)系如何，MapReduce的執(zhí)行流程都如下圖所示：

其中在執(zhí)行每個Map Task時，無論Map方法中執(zhí)行什么邏輯，最終都是要把輸出寫到磁盤上。如果沒有Reduce階段，則直接輸出到HDFS上。如果有Reduce作業(yè)，則每個Map方法的輸出在寫磁盤前線在內(nèi)存中緩存。每個Map Task都有一個環(huán)狀的內(nèi)存緩沖區(qū)，存儲著Map的輸出結(jié)果，默認(rèn)100m，在每次當(dāng)緩沖區(qū)快滿的時候由一個獨立的線程將緩沖區(qū)的數(shù)據(jù)以一個溢出文件的方式存放到磁盤，當(dāng)整個Map Task結(jié)束后再對磁盤中這個Map Task產(chǎn)生的所有溢出文件做合并，被合并成已分區(qū)且已排序的輸出文件。然后等待Reduce Task來拉數(shù)據(jù)。

　　上述這個過程其實也MapReduce中赫赫有名的 Shuffle 過程。

　　MapReduce實際案例

　　Raw Data

　　原始的數(shù)據(jù)文件是普通的文本文件，每一行記錄中存在一個年份以及改年份中每一天的溫度。

　　Map

　　Map過程中，將每一行記錄都生成一個key，key一般是改行在文件中的行數(shù)(Offset)，例如下圖中的0，106代表第一行、第107行。其中 粗體 的地方代表年份以及溫度。

　　Shuffle

　　該過程中獲取所要的記錄組成鍵值對{年份，溫度}。

　　Sort

　　將上一步過程中的相同key的value組成一個list，即{年份，List<溫度>}，傳到Reduce端。

　　Reduce

　　Reduce端對list進行處理，獲取最大值，然后輸出到HDFS中。

　　上述過程進行總結(jié)下來流程如下：