关于hadoop:大数据复习

hdfs 的实现目标和局限

1. 实现目标

• 兼容便宜的硬件设施
• 流数据读写
• 大数据集
• 简略的文件模型
• 弱小的跨平台兼容性

2. 局限

• 不适宜低提早数据拜访
• 无奈高效存储大量小文件
• 不反对多用户写入及任意批改文件

namenode 和 datanode

secondaryNameNode 的工作状况

hdfs 数据出错与复原

1. 名称节点出错

• 名称节点保留了所有的元数据信息，
• 其中，最外围的两大数据结构是 FsImage 和 Editlog，如果这两个文件产生损坏，那么整个 HDFS 实例将生效。
• 因而，HDFS 设置了备份机制，把这些外围文件同步复制到备份服务器 SecondaryNameNode 上。

• 当名称节点出错时，就能够依据备份服务器 SecondaryNameNode 中的 FsImage 和 Editlog 数据进行复原。

  2. 数据节点出错

• 每个数据节点会定期向名称节点发送“心跳”信息，向名称节点报告本人的状态
• 当数据节点产生故障，或者网络产生断网时，名称节点就无奈收到来自一些数据节点的心跳信息，这时，这些数据节点就会被标记为“宕机”，节点下面的所有数据都会被标记为“不可读”，名称节点不会再给它们发送任何 I / O 申请
• 这时，有可能呈现一种情景，即因为一些数据节点的不可用，会导致一些数据块的正本数量小于冗余因子
• 名称节点会定期检查这种状况，一旦发现某个数据块的正本数量小于冗余因子，就会启动数据冗余复制，为它生成新的正本

• HDFS 和其它分布式文件系统的最大区别就是能够调整冗余数据的地位

  3. 数据出错

• 网络传输和磁盘谬误等因素，都会造成数据谬误
• 客户端在读取到数据后，会采纳 md5 和 sha1 对数据块进行校验，以确定读取到正确的数据
• 在文件被创立时，客户端就会对每一个文件块进行信息摘录，并把这些信息写入到同一个门路的暗藏文件外面
• 当客户端读取文件的时候，会先读取该信息文件，而后，利用该信息文件对每个读取的数据块进行校验，如果校验出错，客户端就会申请到另外一个数据节点读取该文件块，并且向名称节点报告这个文件块有谬误，名称节点会定期检查并且从新复制这个块

hdfs 读写过程

1. 读过程

2. 写过程

NoSQL 数据库具备以下几个特点：

•（1）灵便的可扩展性
•（2）灵便的数据模型
•（3）与云计算严密交融

四种常见的 NOSQL

1. 键值数据库
2. 列族数据库
3. 文档数据库
4. 图形数据库

Nosql 的三大基石

1. cap
2. base
3. 最终一致性

云数据库

在 UMP 零碎中，Zookeeper 次要施展三个作用：

• 作为全局的配置服务器
• 提供分布式锁（选出一个集群的“总管”）
• 监控所有 MySQL 实例

UMP 零碎架构

mapreduce

mapreduce 的体系结构

1）Client

• 用户编写的 MapReduce 程序通过 Client 提交到 JobTracker 端
• 用户可通过 Client 提供的一些接口查看作业运行状态

2）JobTracker

• JobTracker 负责资源监控和作业调度
• JobTracker 监控所有 TaskTracker 与 Job 的健康状况，一旦发现失败，就将相应的工作转移到其余节点
• JobTracker 会跟踪工作的执行进度、资源使用量等信息，并将这些信息通知任务调度器（TaskScheduler），而调度器会在资源呈现闲暇时，抉择适合的工作去应用这些资源

3）TaskTracker

• TaskTracker 会周期性地通过“心跳”将本节点上资源的应用状况和工作的运行进度汇报给 JobTracker，同时接管 JobTracker 发送过去的命令并执行相应的操作（如启动新工作、杀死工作等）
• TaskTracker 应用“slot”等量划分本节点上的资源量（CPU、内存等）。一个 Task 获取到一个 slot 后才有机会运行，而 Hadoop 调度器的作用就是将各个 TaskTracker 上的闲暇 slot 调配给 Task 应用。slot 分为 Map slot 和 Reduce slot 两种，别离供 MapTask 和 Reduce Task 应用

4）Task

• Task 分为 Map Task 和 Reduce Task 两种，均由 TaskTracker 启动

yarn 的体系结构

YARN 的指标就是实现“一个集群多个框架”，为什么？

1. 一个企业当中同时存在各种不同的业务利用场景，须要采纳不同的计算框架
   • MapReduce 实现离线批处理
   • 应用 Impala 实现实时交互式查问剖析
   • 应用 Storm 实现流式数据实时剖析
   • 应用 Spark 实现迭代计算
2. 这些产品通常来自不同的开发团队，具备各自的资源调度管理机制
   为了防止不同类型利用之间相互烦扰，企业就须要把外部的服务器拆分成多个集群，别离装置运行不同的计算框架，即“一个框架一个集群”
3. 导致问题
   • 集群资源利用率低
   • 数据无奈共享
   • 保护代价高
4. YARN 的指标就是实现“一个集群多个框架”
   • 即在一个集群上部署一个对立的资源调度治理框架 YARN，在 YARN 之上能够部署其余各种计算框架
   • 由 YARN 为这些计算框架提供对立的资源调度治理服务，并且可能依据各种计算框架的负载需要，调整各自占用的资源，实现集群资源共享和资源弹性膨胀
   能够实现一个集群上的不同利用负载混搭，无效进步了集群的利用率
   • 不同计算框架能够共享底层存储，防止了数据集跨集群挪动