4.1 Hadoop生態(tài)系統(tǒng)

狹義的Hadoop VS 廣義的Hadoop

• 廣義的Hadoop：指的是Hadoop生態(tài)系統(tǒng)，Hadoop生態(tài)系統(tǒng)是一個很龐大的概念，hadoop是其中最重要最基礎的一個部分，生態(tài)系統(tǒng)中每一子系統(tǒng)只解決某一個特定的問題域（甚至可能更窄），不搞統(tǒng)一型的全能系統(tǒng)，而是小而精的多個小系統(tǒng)；

Hive:數(shù)據(jù)倉庫

R:數(shù)據(jù)分析

Mahout:機器學習庫

pig：腳本語言，跟Hive類似

Oozie:工作流引擎，管理作業(yè)執(zhí)行順序

Zookeeper:用戶無感知，主節(jié)點掛掉選擇從節(jié)點作為主的

Flume:日志收集框架

Sqoop:數(shù)據(jù)交換框架，例如：關系型數(shù)據(jù)庫與HDFS之間的數(shù)據(jù)交換

Hbase : 海量數(shù)據(jù)中的查詢，相當于分布式文件系統(tǒng)中的數(shù)據(jù)庫

Spark: 分布式的計算框架基于內存

• spark core
• spark sql
• spark streaming 準實時 不算是一個標準的流式計算
• spark ML spark MLlib

Kafka: 消息隊列

Storm: 分布式的流式計算框架 python操作storm

Flink: 分布式的流式計算框架

Hadoop生態(tài)系統(tǒng)的特點

• 開源、社區(qū)活躍

• 囊括了大數(shù)據(jù)處理的方方面面

• 成熟的生態(tài)圈

4.2HDFS 讀寫流程& 高可用

• HDFS讀寫流程

  • 客戶端向NameNode發(fā)出寫文件請求。

  • 檢查是否已存在文件、檢查權限。若通過檢查，直接先將操作寫入EditLog，并返回輸出流對象。
    （注：WAL，write ahead log，先寫Log，再寫內存，因為EditLog記錄的是最新的HDFS客戶端執(zhí)行所有的寫操作。如果后續(xù)真實寫操作失敗了，由于在真實寫操作之前，操作就被寫入EditLog中了，故EditLog中仍會有記錄，我們不用擔心后續(xù)client讀不到相應的數(shù)據(jù)塊，因為在第5步中DataNode收到塊后會有一返回確認信息，若沒寫成功，發(fā)送端沒收到確認信息，會一直重試，直到成功）

  • client端按128MB的塊切分文件。

  • client將NameNode返回的分配的可寫的DataNode列表和Data數(shù)據(jù)一同發(fā)送給最近的第一個DataNode節(jié)點，此后client端和NameNode分配的多個DataNode構成pipeline管道，client端向輸出流對象中寫數(shù)據(jù)。client每向第一個DataNode寫入一個packet，這個packet便會直接在pipeline里傳給第二個、第三個…DataNode。
    （注：并不是寫好一個塊或一整個文件后才向后分發(fā)）

  • 每個DataNode寫完一個塊后，會返回確認信息。
    （注：并不是每寫完一個packet后就返回確認信息，個人覺得因為packet中的每個chunk都攜帶校驗信息，沒必要每寫一個就匯報一下，這樣效率太慢。正確的做法是寫完一個block塊后，對校驗信息進行匯總分析，就能得出是否有塊寫錯的情況發(fā)生）

  • 寫完數(shù)據(jù)，關閉輸輸出流。

  • 發(fā)送完成信號給NameNode。

    （注：發(fā)送完成信號的時機取決于集群是強一致性還是最終一致性，強一致性則需要所有DataNode寫完后才向NameNode匯報。最終一致性則其中任意一個DataNode寫完后就能單獨向NameNode匯報，HDFS一般情況下都是強調強一致性）

• HDFS如何實現(xiàn)高可用(HA)

  • 數(shù)據(jù)存儲故障容錯
    • 磁盤介質在存儲過程中受環(huán)境或者老化影響,數(shù)據(jù)可能錯亂
    • 對于存儲在 DataNode 上的數(shù)據(jù)塊，計算并存儲校驗和（CheckSum)
    • 讀取數(shù)據(jù)的時候, 重新計算讀取出來的數(shù)據(jù)校驗和, 校驗不正確拋出異常, 從其它DataNode上讀取備份數(shù)據(jù)
  • 磁盤故障容錯
    • DataNode 監(jiān)測到本機的某塊磁盤損壞
    • 將該塊磁盤上存儲的所有 BlockID 報告給 NameNode
    • NameNode 檢查這些數(shù)據(jù)塊在哪些DataNode上有備份,
    • 通知相應DataNode, 將數(shù)據(jù)復制到其他服務器上
  • DataNode故障容錯
    • 通過心跳和NameNode保持通訊
    • 超時未發(fā)送心跳, NameNode會認為這個DataNode已經宕機
    • NameNode查找這個DataNode上有哪些數(shù)據(jù)塊, 以及這些數(shù)據(jù)在其它DataNode服務器上的存儲情況
    • 從其它DataNode服務器上復制數(shù)據(jù)
  • NameNode故障容錯
    • 主從熱備 secondary namenode
    • zookeeper配合 master節(jié)點選舉

dary namenode
- zookeeper配合 master節(jié)點選舉

總結

以上是生活随笔為你收集整理的Hadoop生态系统详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。