三、Hadoop1.X及其组件的深度剖析

作者：IvanCodes
日期：2025年5月7日
专栏：Hadoop教程

一、Hadoop 1.X 概述

（一）概念

Hadoop 是 Apache 开发的分布式系统基础架构，用 Java 编写，为集群处理大型数据集提供编程模型，是海量数据存储与计算的开源框架。狭义指Hadoop软件，广义代表大数据生态。Hadoop 1.x 含两大核心：MapReduce 和 HDFS。HDFS 负责分布式存储，MapReduce 负责数据计算。

（二）特点

1. 可扩展性：能处理PB级数据，通过增减节点灵活伸缩。
2. 高容错性：数据副本机制，部分节点故障不影响系统可用性。
3. 成本效益：开源，运行于普通硬件，降低软硬件成本。
4. 高效性：MapReduce并行处理，计算向数据移动，减少网络开销。
5. 灵活性：支持多种数据格式（结构化、半结构化、非结构化）。
6. 可移植性：基于Java，可部署于多平台（本地、云）。
7. 社区支持：庞大活跃的开源社区，资源丰富。
8. 生态丰富：围绕Hadoop有众多工具（Hive, Pig, HBase, Spark等）。

（三）工作原理

Hadoop 1.x 采用主从架构。核心进程包括：NameNode (HDFS主)、DataNode (HDFS从)、JobTracker (资源管理与作业调度)、TaskTracker (执行任务)。用户提交作业后，JobTracker 调度并将任务分配给TaskTracker。数据存储于HDFS，NameNode管理元数据，DataNode存储实际数据块。

（四）发展历史

1. 起源：源于Nutch搜索引擎项目扩展性需求。受Google的GFS和MapReduce论文启发，Nutch开发者实现了HDFS和MapReduce，后剥离成Hadoop。
2. 发展：2006年Apache Hadoop项目启动，雅虎大力支持。 2008年成Apache顶级项目，Cloudera成立推动商业化。后续生态日渐繁荣，众多公司开始应用。

二、Hadoop 1.X 核心组件

（一）HDFS

1. 概念

HDFS (Hadoop分布式文件系统)是Hadoop数据存储的基础。它高度容错，运行于廉价硬件，通过流式数据访问支持高吞吐量，适合大型数据集。

2. 特点

• 大文件存储：适合TB、PB级大文件。
• 分块存储：大文件切块(默认64M)，多副本(默认3个)存不同机器，提高读写效率和容错性。
• 流式访问：“一次写入，多次读取”，不支持文件随机修改，仅支持追加。
• 廉价硬件：可在普通PC搭建集群。
• 高容错：副本机制确保节点故障时数据不丢失。

3. 工作原理

HDFS采用Master-Slave架构，含一个NameNode(主)和多个DataNode(从)。

• NameNode：管理文件系统命名空间(元数据：文件名、目录、块位置等)，控制客户端访问。元数据存内存并持久化到磁盘(fsimage, edits log)。
• DataNode：实际存储文件数据块及校验和。向NameNode注册并周期性发送心跳和块报告。
• Secondary Namenode：辅助NameNode，定期合并fsimage和edits log，减轻NameNode压力，可能减少宕机时数据丢失。

4. 发展历史

HDFS 的设计思想 深受 Google 的分布式文件系统 GFS 的启发。如前所述，Nutch 项目的核心开发者 Doug Cutting 等人借鉴 GFS 的理念实现了 HDFS，并将其作为 Hadoop 不可或缺的一部分。在 Hadoop 的整个发展过程中，HDFS 也经历了持续的改进和优化，以不断提高其性能、可靠性和可扩展性。

（二）MapReduce

1. 概念

MapReduce是分布式计算框架，第一代离线数据计算引擎，处理TB、PB级数据。核心思想是计算分Map和Reduce两阶段。

2. 特点

• 分而治之：Map阶段并行局部处理，Reduce阶段并行全局汇总。
• 移动计算：计算程序移至数据节点，减少网络I/O。

3. 工作原理

• 输入切片：文件逻辑切片(InputSplit)，每Split一Map Task。
• Map阶段：Map Task处理输入数据，输出中间键值对。
• Shuffle阶段：Map中间结果 复制、排序、分组到Reduce Task。
• Reduce阶段：Reduce Task汇总相同key的中间值，输出最终结果。

4. 发展历史

MapReduce 的思想根源于 Google 在 2004年发表的著名论文《MapReduce: Simplified Data Processing on Large Clusters》。在 Hadoop 1.x 版本中，MapReduce 不仅承担了分布式数据计算的核心角色，其内部的 JobTracker 组件还同时负责了集群的资源管理和作业调度。这种设计使得 MapReduce 框架显得比较臃肿，并且限制了 Hadoop 集群只能运行 MapReduce 类型的任务。从 Hadoop 2.x 版本开始，官方对 MapReduce 的功能进行了拆分，引入了独立的资源管理框架 YARN。此后，MapReduce (通常称为 MapReduce on YARN 或 MRv2) 仅专注于其作为分布式数据计算引擎的核心职责。

三、Hadoop 1.X 组件关联分析

（一）组件关联图说明

（二）协同工作机制

HDFS和MapReduce在Hadoop1.X中紧密协作。
HDFS为MapReduce提供数据存储。NameNode提供元数据，DataNode存储数据块。MapReduce的Map Task从DataNode读取数据。
MapReduce利用HDFS数据进行计算。Map Task局部处理，Reduce Task全局汇总。JobTracker负责资源管理和作业调度，将任务分配给TaskTracker，考虑数据本地性。

例如，日志分析：日志存HDFS。MapReduce作业启动，JobTracker将Map Task分配到数据节点。Map Task局部分析。Shuffle后，Reduce Task汇总，结果写回HDFS。

四、Hadoop 1.X 与其他版本的对比

Hadoop 1.x vs Hadoop 2.x

• YARN引入：最核心区别。Hadoop 2.x引入YARN，分离资源管理与计算，支持多种计算框架(Spark等)，不再局限于MapReduce。
• 存储与容错：Hadoop 2.x支持纠删码，比1.x的3副本方案更节省存储。
• 单点故障：Hadoop 1.x的NameNode和JobTracker存在单点故障。Hadoop 2.x引入HA机制解决此问题，提高集群可靠性。