Hadoop生态系统

狭义的Hadoop
- Hadoop的三大核心组件 HDFS, MapReduce,YARN
广义的Hadoop

Hadoop生态系统

HDFS:文件存储系统基于硬盘

YARN:资源调度框架

MapReduce:分布式处理框架

Hive:数据仓库

RConnections:数据分析

Mahout:机器学习库

pig:脚本语言,跟Hive类似

Oozie:工作流引擎,管理作业执行顺序

Zookeeper:用户无感知,主节点挂掉选择从节点作为主

Flume:日志收集框架

Sqoop:数据交换框架,例如:关系型数据库与HDFS之间的数据交换

Hbase:海量数据查询,相当于分布式文件系统中的数据库

Spark:分布式计算框架基于内存

1.spark core

2.spark sql

3.spark streaming 准实时不算是一个标准的流式就算

4.spark ML spark MLib

Kafka:消息队列

Storm:分布式的流式计算框架python操作storm

Flink:分布式的流式计算框架

Hadoop的生态系统的特点
- 开源,社区活跃
- 囊括了大数据处理的方方面面
- 成熟的生态圈
HDFS读写流程&高可用
- HDFS读写流程
  - 客户端向NameNode发出文件请求
  - 检查是否存在文件,检查权限,若通过检查,直接先将操作写入EditLog,并返回输出流对象.(注:WAL,write ahead log,先写Log,再写内存,因为EditLog记录的是最新的HDFS客户端所有的写操作.如果后续真实写操作失败了,由于在真实写操作之前,操作就被写入EditLog中了,故EditLog中仍会有记录,我们不用担心后续client读不到相应的数据块，因为在第5步中DataNode收到块后会有一返回确认信息，若没写成功，发送端没收到确认信息，会一直重试，直到成功)
  - lient端按128MB的块切分文件。
  - client将NameNode返回的分配的可写的DataNode列表和Data数据一同发送给最近的第一个DataNode节点，此后client端和NameNode分配的多个DataNode构成pipeline管道，client端向输出流对象中写数据。client每向第一个DataNode写入一个packet，这个packet便会直接在pipeline里传给第二个、第三个…DataNode。（注：并不是写好一个块或一整个文件后才向后分发）
  - 每个DataNode写完一个块后，会返回确认信息。（注：并不是每写完一个packet后就返回确认信息，个人觉得因为packet中的每个chunk都携带校验信息，没必要每写一个就汇报一下，这样效率太慢。正确的做法是写完一个block块后，对校验信息进行汇总分析，就能得出是否有块写错的情况发生）
  - 写完数据，关闭输输出流。
  - 发送完成信号给NameNode。(注：发送完成信号的时机取决于集群是强一致性还是最终一致性，强一致性则需要所有DataNode写完后才向NameNode汇报。最终一致性则其中任意一个DataNode写完后就能单独向NameNode汇报，HDFS一般情况下都是强调强一致性）
- HDFS如何实现高可用(HA)
  - 数据存储故障容错
    - 磁盘介质在存储过程中受环境或者老化影响,数据可能错乱
    - 对于存储在 DataNode 上的数据块，计算并存储校验和（CheckSum)
    - 读取数据的时候, 重新计算读取出来的数据校验和, 校验不正确抛出异常, 从其它DataNode上读取备份数据
  - 磁盘故障容错
    - DataNode 监测到本机的某块磁盘损坏
    - 将该块磁盘上存储的所有 BlockID 报告给 NameNode
    - NameNode 检查这些数据块在哪些DataNode上有备份,
    - 通知相应DataNode, 将数据复制到其他服务器上
  - DataNode故障容错
    - 通过心跳和NameNode保持通讯
    - 超时未发送心跳, NameNode会认为这个DataNode已经宕机
    - NameNode查找这个DataNode上有哪些数据块, 以及这些数据在其它DataNode服务器上的存储情况
    - 从其它DataNode服务器上复制数据
  - NameNode故障容错
    - 主从热备 secondary namenode
    - zookeeper配合 master节点选举

Hadoop生态系统

相关推荐