hadoop学习（一)

一.hadoop概述

1.1hadoop优势

1）高可靠性：Hadoop底层维护多个数据副本，即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。

2）高扩展性：在集群间分配任务数据，可方便扩展数以千计的节点

3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度

4）高容错性：能够自动将失败的任务重新分配

1.2Hadoop的组成

1.3.HDFS

定义：一个文件系统，用于存储文件，通过目录来定位我呢见；分布式，由很多服务器联合起来实现其功能，集群中的服务器有各自的角色。

使用场景：适合一次写入，多次读出的场景，一个文件经过创建、写入和关闭之后就不需要改变。

优点：

1）高容错性

数据自动保存多个副本，通过增加副本的形式，提高容错率。

一个副本丢失后，可以自动恢复

2）适合处理大数据

能够处理数据规模达到GB、TB、甚至PB级别的数据（数据规模方面）

能够处理百万规模以上的文件数量（文件规模方面）

3）科构建在廉价机器上，通过多副本机制，提高可靠性

缺点

1）不适合低延时数据访问

2）无法高效地对大量小文件进行存储

存储大量小文件的话，会占用NameNode大量地内存来存储文件目录和块信息。

小文件存储地寻址时间会超过读取时间，它违反了HDFS的设计目标。

3）不支持并发写入、文件随机修改

框架概述

1）NameNode（nn）：存储文件的元数据，例如文件名，文件目录结构，文件属性，以及每个文件的块列表和块所在的DataNode等。

   a)管理HDFS的名称空间

   b)配置副本策略

   c)管理数据块映射信息

   d)处理客户端读写要求

2）DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验和。

   a)存储实际的数据块

   b)执行数据块的读/写操作

DateNode和NameNode的联系：NameNode下达命令，DataNode执行实际的操作

3）Secondary NameNode（2nn）：每隔一段时间对NameNode元数据备份。 

HDFS文件块大小

HDFS中的文件在物理上是分块储存，块的大小可以通过配置参数来规定

注：1）寻址时间为传输时间的1%时，为最佳状态

2）1秒能传输多少内容取决于磁盘的传输速率（目前磁盘的传输速率普遍为100MB/s)

3）块的大小不能设置太小（会增加寻址时间），也不能设置太大（从磁盘传输数据的时间会明显大于定位这个块开始位置所需的时间）.。

Xshell命令：

上传命令

1）-moveFromLocal：从本地剪切粘贴到HDFS

[atguigu@hadoop01 hadoop]$ hadoop fs -mkdir /apt
[atguigu@hadoop01 hadoop]$ vim shuguo.txt
[atguigu@hadoop01 hadoop]$ hadoop fs -moveFromLocal ./shuguo.txt /apt

2）-copyFromLocal：从本地文件系统中拷贝文件到HDFS路径

[atguigu@hadoop01 hadoop]$ vim weiguo.txt
[atguigu@hadoop01 hadoop]$ hadoop fs -copyFromLocal weiguo.txt /apt

3）-put：等同于copyFromLocal，生产环境更习惯用put

[atguigu@hadoop01 hadoop]$ vim wuguo.txt
[atguigu@hadoop01 hadoop]$ hadoop fs -put ./wuguo.txt /apt

 4）-appendToFile：追加一个文件到已经存在的文件末尾

[atguigu@hadoop01 hadoop]$ vim liubei.txt
[atguigu@hadoop01 hadoop]$ hadoop fs -appendToFile liubei.txt /apt/shuguo.txt

   追加liubei文件的内容到shuguo内容的结尾

下载命令

1）-copyToLocal：从HDFS拷贝到本地

[atguigu@hadoop01 hadoop]$ hadoop fs -copyToLocal /apt/shuguo.txt ./

 拷贝后本地存在shuguo文件

2）-get：等同于copyToLocal，生产环境更习惯用get

  该指令同时将shuguo改名为shuguo2

[atguigu@hadoop01 hadoop]$ hadoop fs -get /apt/shuguo.txt ./shuguo2.txt

HDFS直接操作

1）-ls: 显示目录信息

[atguigu@hadoop01 hadoop]$ hadoop fs -ls /apt

2)-cat：显示文件内容

[atguigu@hadoop01 hadoop]$ hadoop fs -cat /apt/weiguo.txt

3）-chgrp、-chmod、-chown：Linux文件系统中的用法一样，修改文件所属权限

4）-mkdir：创建路径

[atguigu@hadoop01 hadoop]$ hadoop fs -mkdir /c

5）-cp：从HDFS的一个路径拷贝到HDFS的另一个路径

[atguigu@hadoop01 hadoop]$ hadoop fs -cp /apt/weiguo.txt /c

6）-mv：在HDFS目录中移动文件

[atguigu@hadoop01 hadoop]$ hadoop fs -mv /apt/wuguo.txt /c

7）-tail：显示一个文件的末尾1kb的数据

[atguigu@hadoop01 hadoop]$ hadoop fs -tail /c/wuguo.txt

显示出c中wuguo文件末尾1kb的数据

8）-rm：删除文件或文件夹

[atguigu@hadoop01 hadoop]$ hadoop fs -rm /apt/shuguo.txt
Deleted /apt/shuguo.txt

9）-rm -r：递归删除目录及目录里面内容

10）-du统计文件夹的大小信息

[atguigu@hadoop01 hadoop]$ hadoop fs -du  -h /c

11）-setrep：设置HDFS中文件的副本数量

[atguigu@hadoop01 hadoop]$ hadoop fs -setrep 7 /c/weiguo.txt

1.4.YARN架构概述

YARN:另一种资源协调者，是Hadoop的资源管理器

1）ResourceManager（RM）：管理整个集群资源（内存、CPU等）；

2）NodeManager（NM）：管理单个节点服务器资源

3）ApplicationMaster（AM）：管理单个任务的运行

4）Container：容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等.(一个Container容器默认内存是1-8G）

特殊说明

1）可以有多个客服端

2）集群上可以运行多个ApplicationMaster

3）每个NodeManager上可以有多个Container

1.5.MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce

1）Map阶段并行处理输入数据

2）Reduce阶段对Map结果进行汇总

二.大数据技术生态体系

三.推荐系统框架图

四.Hadoop运行模式

1）本地模式：单机运行，只是用来演示官方案例（生产环境不用，偶尔用于测试） 

2）伪分布式模式：单机运行，具备Hadoop集群的所有功能，一台服务器模拟一个分布式的环境（生产环境不用）

3）完全分布式模式：多台服务器组成分布式环境（生产环境使用）

四、HDFS写数据流程

（1）客户端通过DistributedFileSystem向NameNode请求下载文件，NameNode通过查询元数据，找到文件块所在的DataNode地址。

（2）挑选一台DataNode（就近原则，然后随机）服务器，请求读取数据。

（3）DataNode开始传输数据给客户端（从磁盘里面读取数据输入流，以Packet为单位来做校验）。

（4）客户端以Packet为单位接收，先在本地缓存，然后写入目标文件。

 五.NameNode工作机制

1)NameNode启动

2)Secondary NameNode工作