Hadoop的前世今生
什么是大数据
各行各业都会产生大量的数据,比如社交网站的意见观点,电商平台人们浏览网页停留的时间,交通运输每天产生的数据等等。这些数据大多不是结构化的,一般来说都是半结构化或者非结构化的
在以前,我们的处理能力达不到,所以很多数据要么没有存起来,要么没有利用起来。而现在数据越来越集中在云端的服务器上,并且计算能力已经今非昔比了,我们完全有能力对大数据进行存储和分析。
所以所谓的大数据指的就是,原有的计算能力无法处理的大批量的数据,而大数据技术研究的是如何快速有效的处理这些结构化、半结构化数据的技术。
处理大数据的架构
下图是传统的集中式架构
它的主要问题在于扩展性不强而且数据库将成为很大的瓶颈。
所以谷歌提出了
- MapReduce算法
- BigTable
- GFS
合称“三剑客”。
那么相对于传统的架构,有什么样的变化呢?
- 首先它可以使用大量的x86服务器,而不是使用性能强健的大型机来完成计算,也就是Scale-out的
- 另外它使用软件方案来保证硬件故障容错
我们知道x86服务器的稳定性不如小型机,存在一定的故障的可能,但是小型机实在太贵了。我们完全可以让x86服务器组成集群,然后使用上层软件来保障整体的硬件故障容错。
- 简化并行分布式计算,不需要再控制节点的同步和数据的交换。
Hadoop模仿Google的实现方式,最终演变成一系列的开源项目。
总结一下:
大数据既是一个概念又是一门技术,它是以Hadoop和Spark为代表的大数据基础框架,可以实现数据分析、挖掘、预测。
Hadoop
上面说到Hadoop是一种分布式计算解决方案,含有若干组件,其中最著名的当属
- HDFS分布式文件系统:存储海量数据
存储技术是大数据的基础,因为对于大量的数据,我们希望能找的一种比较廉价的方式来保存我们的数据,那么分布式文件系统当属首选。
- MapReduce编程模型:
并行处理框架,实现任务分解和调度
所以Hadoop的优势在于:
- 高扩展性,也就是可以通过增加节点来活动性能提升,比如说性能不够了,就怼新的服务器上去。
- 低成本,可以基于便宜的x86服务器
- 成熟的生态圈,里面有大量的工具集可以使用
下面分别介绍一下HDFS和MapReduce
HDFS
在【大话存储II】学习笔记(15章),文件级集群系统中我们介绍了分布式集群的基本概念。
分布式文件系统可以等价于非共享存储集群文件系统,也就是说同一个文件系统下的文件是存放在不同的节点里面,而且Sharing-nothing
那么分布式文件系统应该解决
- 统一的命名空间,也就是对外显现同一个文件目录。
这样用户不用管数据是如何存放的,分布式文件系统已经帮它解决存放的问题了,用户用起来就像使用本地文件一样简单。
- 缓存一致,因为数据都缓存在各自的节点,不存在不缓存不一致的情况。
- 分布式锁,也就是多个连接并发访问的时候,如何控制文件的数据会出现不一致的情况。
若要理解HDFS,我们需要知道如下的基本概念。
基本概念
分布式设计
HDFS这样的架构,非常类似于【大话存储II】学习笔记(15章),块级集群存储系统中的XIV,当然XIV是提供块存储的,不过XIV也利用了文件系统的思想,对每个块像一个文件一样。
HDFS的基本存储和操作单位是数据块, 默认大小64MB,一般设置为128M。为什么要这么设计呢?因为一个文件会比较大,为了分布式存放,可以分成若干小块。那么最好就切成相同大小,比如说64MB。
而且为了保证数据块不丢失,对每个数据块会保存3副本,分布在两个机架的三个节点中。 其中两份在同一个机架,一份在另一个机架。
比如下图中两个A数据块放在机架1,另一份副本放到了机架2 。
角色
在【大话存储II】学习笔记(15章),文件级集群系统我们介绍过,分布式文件系统有对称和非对称的两种。
对称集群中所有节点的地位相同,互相维护通信链接进行数据同步,也正因为如此,不适合扩展。
而HDFS采用的是非对称集群,所以有Master和Slave两种角色。
Master就是HDFS中的NameNode,它的作用是 存放元数据,管理文件系统的命名空间。也就是一个注册中心,其他的Slave都要到它这边注册。
Master和Slave组成集群以后,可以自服务,也可以对外提供服务。
它会记录两种信息:
- 文件与数据块的映射关系
- 数据块与服务器的对应关系,也就是每个块存放的节点的信息
Slave则是DataNode,它的主要作用就是存放数据块,是具体的执行者。
当块存储信息改变了以后,DataNode会向NameNode主动更新信息
另外,在这种主从架构里面,NameNode的地位很超然,非常的重要,一旦他挂了则整个系统就宕了。
所以从HDFS 2x就可以为NameNode配置HA了。
如下图所示,出现了一个Secondary NameNode。
二级NameNode定期同步元数据镜像文件和修改日志,当NameNode发生故障时,备胎转正。
HDFS的读与写
写
下面我们来看一下写流程。
- 客户端向NameNode发出请求,表示自己要发送文件了,然后NameNode会返回现在空余存储的信息
- 然后客户端将文件分块,
- 接着,客户端将数据块1以及相应的元数据信息发给DataNode1
- 然后开启流水线复制,将数据同步给另外的节点
- 写完了以后,DataNode才返回更新信息,最后NameNode向客户端返回成功。
读文件
下图展示了HDFS的读流程
- 首先客户端向NameNode发起读请求,将路径+文件名发过去
- NameNode返回元数据,告诉客户端可以从哪些地方取
- 然后由客户端自己向DataNode读取数据
HDFS的特点
了解了HDFS的架构以及读写流程以后,我们可以总结一下HDFS的特点。
本质上HDFS就是一个分布式文件系统,它
- 通过三副本机制进行冗余,类似于的分布式的RAID10
- 它的写比较的复杂,需要复制2份,还要同步各种信息,而且修改也比较麻烦,只能删除以后再写。所以比较适合于一次写入,多次读取的场景,现在的OLAP就比较契合
- 因为每次写或者读都需要向NameNode发起请求,所以NameNode是整个系统的瓶颈,所以如果是小文件的话,NameNode压力非常大。
也就是说HDFS适合于批量读,这样吞吐量高,因为可以并发读嘛。
但是不支持多用户写相同的文件,因为没有加锁。
也就是不适合交互应用以及那些实时性要求高的地方。
原文地址:https://www.cnblogs.com/dy2903/p/8492304.html