Hadoop HDFS 3.3.4 讲解~
✨博客主页： https://blog.csdn.net/m0_63815035?type=blog
💗《博客内容》：.NET、Java.测试开发、Python、Android、Go、Node、Android前端小程序等相关领域知识
📢博客专栏： https://blog.csdn.net/m0_63815035/category_11954877.html
📢欢迎点赞 👍 收藏 ⭐留言 📝
📢本文为学习笔记资料，如有侵权，请联系我删除，疏漏之处还请指正🙉
📢大厦之成，非一木之材也；大海之阔，非一流之归也✨
前言
Hadoop是一个开源的分布式计算框架，主要用于处理和存储大规模数据集。它的设计初衷是解决海量数据的存储和计算问题，具有高容错性、高扩展性和低成本等特点。下面详细讲解Hadoop的核心知识点：
分而治之
所谓“分而治之”，就是把一个复杂的算法问题按一定的“分解”方法分为等价的规模较小的若干部分，然后逐个分别找出各部分的解，再把各部分的解组成整个问题的解。这种朴素的思想来源于人们生活与工作的实践经验，如下图。
以下图做讲解：
1. Hadoop的核心组件
-
HDFS（Hadoop Distributed File System）：分布式文件系统，用于存储海量数据
- 采用主从架构（NameNode和DataNode）
- 将文件分割成固定大小的块（默认128MB）进行存储
- 每个块会在多个DataNode上备份（默认3份），保证数据可靠性
- NameNode管理文件系统的元数据，DataNode负责实际数据存储
-
MapReduce：分布式计算框架，用于处理大规模数据
- 基于"分而治之"思想，将计算任务分为Map和Reduce两个阶段
- Map阶段：将输入数据分割成多个片段，并行处理
- Reduce阶段：汇总Map阶段的结果，得到最终输出
- 自动处理任务分发、容错、数据本地化等问题
-
YARN（Yet Another Resource Negotiator）：资源管理和任务调度框架
- 负责集群资源（CPU、内存等）的管理和分配
- 主从架构：ResourceManager（主节点）和NodeManager（从节点）
- 支持多种计算框架（MapReduce、Spark等）共享集群资源
2. Hadoop的架构特点
- 主从架构：大部分组件采用主从架构设计，便于集中管理和分布式执行
- 高容错性：通过数据备份和节点故障自动转移实现
- 高扩展性：可以通过增加节点轻松扩展集群规模
- 数据本地化：计算任务尽可能在数据所在节点执行，减少网络传输
- 开源免费：基于Apache协议开源，降低企业使用成本
3. HDFS的工作原理
-
读写流程：
- 写文件：客户端将文件分块，与NameNode交互获取存储位置，然后直接向DataNode写入数据
- 读文件：客户端从NameNode获取文件块的存储位置，然后直接从DataNode读取数据
-
NameNode与DataNode的协作：
- NameNode维护文件系统的目录结构、文件与块的映射关系
- DataNode定期向NameNode发送心跳信息和块报告
- 当DataNode故障时，NameNode会安排其他节点复制数据块
-
安全模式：HDFS启动时的一种特殊状态，此时只允许读操作，不允许写操作，用于检查数据块的完整性
4. MapReduce的工作原理
-
执行流程：
- InputFormat：将输入数据分割成InputSplit
- Map阶段：对每个InputSplit执行map函数，产生中间键值对
- Shuffle阶段：对map输出进行排序、分组等处理
- Reduce阶段：对shuffle后的结果执行reduce函数，产生最终输出
- OutputFormat：将reduce输出写入到指定位置
-
Shuffle机制：MapReduce的核心，负责在Map和Reduce之间传输和处理数据，包括分区、排序、合并等操作
5. YARN的工作原理
-
核心组件：
- ResourceManager：全局资源管理器，负责资源分配和调度
- NodeManager：每个节点上的资源管理器，负责本节点的资源管理
- ApplicationMaster：每个应用程序的管理者，负责与ResourceManager协商资源并管理任务执行
- Container：资源分配的基本单位，包含CPU、内存等资源
-
作业提交与执行流程：
- 客户端提交应用程序到ResourceManager
- ResourceManager分配第一个Container启动ApplicationMaster
- ApplicationMaster向ResourceManager申请资源
- ApplicationMaster在分配的Container上启动任务
- 任务执行并向ApplicationMaster汇报进度
- 所有任务完成后，ApplicationMaster向ResourceManager注销并关闭
6. Hadoop的生态系统
Hadoop生态系统包含多个相关项目，共同构成了大数据处理的完整解决方案：
- Hive：数据仓库工具，提供类SQL查询语言（HQL）
- Pig：数据流处理工具，提供类SQL的脚本语言（Pig Latin）
- HBase：分布式NoSQL数据库，适合存储非结构化和半结构化数据
- ZooKeeper：分布式协调服务，用于管理集群配置、命名服务等
- Flume：日志收集工具，用于高效收集、聚合和传输大量日志数据
- Sqoop：数据传输工具，用于在Hadoop与关系型数据库之间传输数据
- Spark：快速通用的计算引擎，可替代MapReduce进行数据处理
7. Hadoop的应用场景
- 日志分析：处理海量日志数据，提取有价值信息
- 数据仓库：构建大规模数据仓库，支持数据分析和决策
- 搜索引擎：存储和处理网页数据，支持全文检索
- 机器学习：处理大规模训练数据，训练机器学习模型
- 科学计算：处理科学研究中的海量数据
今天这篇文章就到这里了，大厦之成，非一木之材也；大海之阔，非一流之归也。感谢大家观看本文
