Hadoop基础知识
Hadoop 是由 Apache 基金会开发的开源分布式计算框架，主要用于处理海量数据的存储和计算问题。其核心设计基于 Google 的 MapReduce 编程模型和 GFS（Google File System），旨在通过集群化的廉价硬件实现高可靠性、高扩展性的大数据处理。以下是 Hadoop 的核心要点介绍：
一、Hadoop 的核心架构
Hadoop 主要由以下模块组成：
-
HDFS（Hadoop Distributed File System）
-
分布式文件存储系统，支持海量数据的存储，默认将文件分割为 128MB 的块（Hadoop 2.x 及以上版本），并自动复制多份（默认 3 份）存储在不同节点，确保容错性。
-
采用主从架构：
-
NameNode：管理文件系统元数据（如文件名、块位置），处理客户端请求。【元数据表示描述数据的数据，记录DataNode中数据的各种属性】
-
DataNode：存储实际数据块，定期向 NameNode 发送心跳信号。【存储数据本身的模块】
-
DataNode每过几秒会向NameNode发送心跳信号【心跳信号包含：自身状态的信号（是否存活）、资源使用情况、以及一些简单的指令】，使NameNode能够及时知道DataNode的状态。若 NameNode 超过 10 分钟未收到心跳，则认为该 DataNode 宕机，并触发以下操作：将该节点标记为“不可用”，不再分配新任务并启动数据副本恢复流程，将丢失的块从其他节点复制到健康节点。
-
DataNode每过几秒会向NameNode发送块报告【快报告包括所有数据块列表 的详细报告、以及副本状态等保证元数据与真实数据的一致性】
-
-
-
MapReduce
-
分布式计算模型，分为 Map 和 Reduce 两个阶段：
-
Map：将输入数据分解为键值对并并行处理；
-
Reduce：汇总 Map 阶段的中间结果并生成最终输出。
-
-
依赖 JobTracker（主节点）和 TaskTracker（从节点）协调任务执行，但存在单点故障风险。
-
-
YARN（Yet Another Resource Negotiator）
-
资源管理与任务调度框架，负责集群资源的动态分配，支持多种计算模型（如批处理、流处理）。
-
包含 ResourceManager（全局资源管理）和 NodeManager（节点资源管理）。
-
-
Hadoop Common
-
提供其他模块依赖的通用工具库和接口。
-
二、Hadoop 的优势与特点
-
高可靠性
-
数据自动多副本存储，任务失败时自动重新分配，无需人工干预。
-
-
高扩展性
-
支持从单节点扩展至数千节点，适合 PB 级数据处理。
-
-
低成本
-
基于商用硬件构建集群，成本远低于高端服务器。
-
-
高容错性
-
通过数据副本和任务重试机制应对节点故障。
-
-
适用场景
-
适合批处理大规模数据（如日志分析、ETL），不适用低延迟访问、频繁修改数据或小文件存储的场景。
-
三、Hadoop 的工作流程
-
数据存储
-
文件被分割为块，分布存储在多个 DataNode 上，NameNode 记录元数据。
-
-
任务提交
-
用户通过客户端提交作业（包含输入路径、代码和参数），JobTracker 分配任务至 TaskTracker。
-
-
数据处理
-
Map 阶段在数据所在节点并行执行，Reduce 阶段汇总结果并写入 HDFS。
-
四、Hadoop 生态系统
Hadoop 生态包含丰富的工具以扩展功能：
-
Hive：基于 SQL 的数据仓库工具，用于查询和分析。
-
HBase：分布式 NoSQL 数据库，支持实时读写。
-
Spark：内存计算框架，比 MapReduce 更快，支持流处理和机器学习。
-
Flume/Sqoop：分别用于日志收集和关系型数据库与 Hadoop 间数据传输。
-
Zookeeper：提供分布式协调服务。
五、工作流
1、用户发送指令到完成任务的一般工作流（以 MapReduce 任务为例）
（1）指令提交阶段
用户通过客户端工具（如 Hadoop 命令行）提交作业请求。这个请求包含了作业的配置信息（如输入数据路径、输出数据路径、Map 和 Reduce 函数的相关信息等），并发送到 YARN（Yet Another Resource Negotiator）的 ResourceManager。
（2）资源分配阶段
ResourceManager（RM）作用：ResourceManager 收到请求后，会根据集群的整体资源状况（包括各个节点的 CPU、内存等资源的可用性）进行资源分配规划。它维护着集群资源的全局视图，例如，知道每个节点上还有多少空闲的计算资源可以用于执行新的任务。
与 NodeManager（NM）协作：ResourceManager 会和集群中的 NodeManager 进行沟通。NodeManager 运行在集群中的每个节点上，负责管理该节点的资源。ResourceManager 会指示 NodeManager 启动任务容器（Container），这些容器是执行具体任务（如 Map 任务和 Reduce 任务）的基本单位。
（3）任务执行阶段
Map 任务执行：根据任务的分配，在合适的容器中启动 Map 任务。这些 Map 任务会从 HDFS（Hadoop Distributed File System）读取输入数据。HDFS 将数据以数据块（Block）的形式存储在集群中的多个节点上，Map 任务通常会根据数据本地化原则，优先处理存储在本地节点或者临近节点的数据块，以减少数据传输开销。每个 Map 任务对其处理的数据块进行处理，将数据转换为键 - 值对形式的中间结果。
Shuffle 阶段：Map 任务完成后，进入 Shuffle 阶段。在这个阶段，中间结果会被按照键进行排序和分组，并且通过网络传输将相同键的数据发送到执行 Reduce 任务的节点。这是一个复杂的过程，涉及到数据的传输、缓存等操作，以确保 Reduce 任务能够高效地获取到其需要的数据。
Reduce 任务执行：Reduce 任务接收到来自 Shuffle 阶段的数据后，对相同键的值进行聚合等操作，生成最终的输出结果。这些输出结果会被写回到 HDFS 指定的输出路径中。
2、非 MapReduce 任务（如数据存储相关指令）
如果用户指令是将数据存储到 HDFS 中，工作流主要涉及 HDFS 部分。用户通过 HDFS 客户端提交存储请求，HDFS 的 NameNode（主节点，管理文件系统的命名空间和文件块的映射关系）会协调 DataNode（从节点，存储实际的数据块）进行数据存储操作。例如，NameNode 会决定将数据块存储在哪些 DataNode 上，考虑因素包括 DataNode 的可用存储空间、数据的副本策略（为了数据冗余和可靠性，通常会在多个节点存储数据副本）等。这个过程和 MapReduce 任务的资源分配以及任务执行流程有很大不同