Hadoop是小象——MapReduce / HDFS原理解析
HDFS&MapReduce
有一箩筐（100根）胡萝卜，小象进食速度是1根/秒，那么吃完一箩筐需要100秒。怎么让这100根胡萝卜被吃的更快呢？有人说榨汁……算了（其实我们这里说的是硬盘数据的读出），所以如果我们有20头小象，每个箩筐只装5根胡萝卜，那么5秒就可以合计吃掉一箩筐的量。
似乎每只小象吃5根会吃不饱（也就是硬盘利用率只有5%），但是我们箩筐里可以不止放胡萝卜，我们可以放土豆，香蕉，花生（存放多个数据集以并行处理，当有20个数据集的时候，一箩筐就放满了）。当我们需要让小象吃掉所有的胡萝卜的时候，就让它们一起挑胡萝卜吃（也就是完成各自的任务）。
但是啊，这里会出现问题，有的小象胃口不好，吃不下东西了（硬件故障问题），或者有的食物需要两只以上的小象相互合作才能吃到（协作问题），比如情人节的可口可乐开盖，需要两瓶可乐契合才能打开，也别问我小象怎么能喝汽水。
我编不下去了。好的，回到主题。
- 怎么解决硬件故障呢？硬件故障可能会发生数据的丢失，那么最常见的做法就是冗余。比如像磁盘冗余阵列那样，或者Hadoop的分布式文件系统（HDFS，hadoop distributed fileSystem）就是这一类，不过实现稍微有所不同，以后会聊到。
- 如何协作来共同完成分析呢？MapReduce提出一个编程模型，该模型抽象出这些硬盘读/写问题并将其转换为对一个数据集（由键值对构成）的计算。以后也会聊到。
总之，Hadoop为我们提供了一个可靠的且可扩展的存储和分析平台。
关于MapReduce
MapReduce分为两个阶段：map和reduce。每个阶段都以键值对的方式存储。
1：Map任务处理
1.1 读取HDFS中的文件。对于HDFS中存储的一个文件，要进行Map处理前，需要将它切分成多个块，才能分配给不同的MapTask去执行。 分片的数量等于启动的MapTask的数量。默认情况下，分片的大小就是HDFS的blockSize。
分片后，每一个分片中的每一行解析成一个<k1(line no),v1>。其中key为偏移量，value为一行的内容。每一个键值对调用一次map函数。<0,hello you> <10,hello me>
1.2 覆盖map()，接收1.1产生的<k1,v1>，进行处理，转换为新的<k2,v2>输出。 <hello,1> <you,1> <hello,1> <me,1>
1.3 对1.2输出的<k2,v2>进行分区。默认分为一个区(Partitioner)。因为频繁的磁盘I/O操作会严重的降低效率，因此“中间结果”不会立马写入磁盘，而是优先存储到map节点的“环形内存缓冲区”，在写入的过程中进行分区（partition），也就是对于每个键值对来说，都增加了一个partition属性值，然后连同键值对一起序列化成字节数组写入到缓冲区。
为什么要使用分区？
1.根据业务需要，产生多个输出文件
2.多个reduce任务在运行，提高整体job的运行效率
1.4 （可选）对分组后的数据进行归约(Combiner)。对不同分区中的数据按照k2进行排序、分组。分组指的是相同key的value放到一个集合中。 <k2,{v2,…}>
排序后：<hello,1> ``<hello,1> ``<me,1> <you,1>
分组后：<hello,{1,1}>``<me,{1}>``<you,{1}>
为什么要使用归约
每一个map可能会产生大量的输出，combiner的作用就是在map端对输出先做一次合并，以减少传输到reducer的数据量。如果不用combiner，那么，所有的结果都是reduce完成，效率会相对低下。使用combiner，先完成的map会在本地聚合，提升速度。
2：Reduce任务处理
2.1 多个map任务的输出，按照不同的分区，通过网络copy到不同的reduce节点上。
对于reduce端的shuffle过程来说，reduce task在执行之前的工作就是不断地拉取当前job里每个map task的最终结果。然后对从不同地方拉取过来的数据不断地做merge最后合并成一个分区相同的大文件，然后对这个文件中的键值对按照key进行sort排序，排好序之后紧接着进行分组，分组完成后才将整个文件交给reduce task处理。
2.2 对多个map的输出进行合并、排序。覆盖reduce函数，接收的是分组后的数据，实现自己的业务逻辑， <hello,2> <me,1> <you,1>
处理后，产生新的<k3,v3>输出。
2.3 对reduce输出的<k,v>写到HDFS中。
HDFS原理
HDFS 存储数据
HDFS 采用Master/Slave（主从）的架构来存储数据，这种架构主要由四个部分组成，分别为HDFS Client、NameNode、DataNode和Secondary NameNode。下面我们分别介绍这四个组成部分。
- HDFS Client：
1、文件切分。文件上传 HDFS 的时候，Client 将文件切分成 一个一个的Block，然后进行存储。
2、与 NameNode 交互，获取文件的位置信息。
3、与 DataNode 交互，读取或者写入数据。
4、Client 提供一些命令来管理 HDFS，比如启动或者关闭HDFS。
- NameNode：Master角色
1、管理 HDFS 的名称空间。
2、管理数据块（Block）映射信息
3、配置副本策略
4、处理客户端读写请求。
- DataNode：Slave角色。NameNode 下达命令，DataNode 执行实际的操作。
1、存储实际的数据块。
2、执行数据块的读/写操作。
- Secondary NameNode：并非 NameNode 的热备。当NameNode 挂掉的时候，它并不能马上替换 NameNode 并提供服务。
1、辅助 NameNode，分担其工作量。
2、定期合并 fsimage和fsedits，并推送给NameNode。
3、在紧急情况下，可辅助恢复 NameNode。
那HDFS 如何读取文件呢？
HDFS的文件读取原理，详细解析如下：
1、首先HDFS Client调用FileSystem对象的open方法，其实获取的是一个DistributedFileSystem的实例。
2、DistributedFileSystem通过RPC(远程过程调用)NameNode获得文件的第一批block的locations，同一block按照重复数会返回多个locations，这些locations按照Hadoop拓扑结构排序，距离客户端近的排在前面。
3、前两步会返回一个FSDataInputStream对象，该对象会被封装成 DFSInputStream对象，DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方法，DFSInputStream就会找出离客户端最近的Datanode并连接datanode。
4、数据从Datanode源源不断的流向客户端Client。如果第一个block块的数据读完了，就会关闭指向第一个block块的datanode连接，接着读取下一个block块。这些操作对客户端来说是透明的，从客户端的角度来看只是读一个持续不断的流。如果第一批block都读完了，DFSInputStream就会去namenode拿下一批blocks的location，然后继续读，如果所有的block块都读完，这时就会关闭掉所有的流。
HDFS 如何写入文件？
1.客户端HDFS通过调用 DistributedFileSystem 的create方法，创建一个新的文件。
2.DistributedFileSystem 通过 RPC（远程过程调用）调用 NameNode，去创建一个没有blocks关联的新文件。创建前，NameNode 会做各种校验，比如文件是否存在，客户端有无权限去创建等。如果校验通过，NameNode 就会记录下新文件，否则就会抛出IO异常。
3.前两步结束后会返回 FSDataOutputStream 的对象，和读文件的时候相似，FSDataOutputStream 被封装成 DFSOutputStream，DFSOutputStream 可以协调 NameNode和 DataNode。客户端开始写数据到DFSOutputStream。DFSOutputStream会把数据切成一个个小packet，然后排成队列 data queue。
4.DataStreamer 会去处理接受 data queue，它先问询 NameNode 这个新的 block 最适合存储的在哪几个DataNode里，比如重复数是3，那么就找到3个最适合的 DataNode，把它们排成一个 pipeline。DataStreamer 把 packet 按队列输出到管道的第一个 DataNode 中，第一个 DataNode又把 packet 输出到第二个 DataNode 中，以此类推。
5.DFSOutputStream 还有一个队列叫 ack queue，也是由 packet 组成，等待DataNode的收到响应，当pipeline中的所有DataNode都表示已经收到的时候，这时akc queue才会把对应的packet包移除掉。
6.客户端完成写数据后，调用close方法关闭写入流。
7.DataStreamer 把剩余的包都刷到 pipeline 里，然后等待 ack 信息，收到最后一个 ack 后，通知 DataNode 把文件标示为已完成。
HDFS的优缺点比较
HDFS 的优点：
1、高容错性
1)数据自动保存多个副本。它通过增加副本的形式，提高容错性
2)某一个副本丢失以后，它可以自动恢复，这是由 HDFS 内部机制实现的，我们不必关心。
2、适合批处理
1)它是通过移动计算而不是移动数据
2)它会把数据位置暴露给计算框架。
3、适合大数据处理
1)处理数据达到 GB、TB、甚至PB级别的数据。
2)能够处理百万规模以上的文件数量，数量相当之大。
3)能够处理10K节点的规模
4、流式文件访问
1)一次写入，多次读取。文件一旦写入不能修改，只能追加。
2)它能保证数据的一致性。
5、可构建在廉价机器上
1)它通过多副本机制，提高可靠性。
2)它提供了容错和恢复机制。比如某一个副本丢失，可以通过其它副本来恢复。
HDFS 缺点（不适用适用HDFS的场景）：
1、低延时数据访问
1)比如毫秒级的来存储数据，这是不行的，它做不到。
2)它适合高吞吐率的场景，就是在某一时间内写入大量的数据。但是它在低延时的情况下是不行的，比如毫秒级以内读取数据，这样它是很难做到的。
2、小文件存储
1)存储大量小文件的话，它会占用 NameNode大量的内存来存储文件、目录和块信息。这样是不可取的，因为NameNode的内存总是有限的。
2)小文件存储的寻道时间会超过读取时间，它违反了HDFS的设计目标。
3、并发写入、文件随机修改
1)一个文件只能有一个写，不允许多个线程同时写。
2)仅支持数据 append（追加），不支持文件的随机修改。