HDFS中的名称节点和数据节点的具体功能

HDFS工作流程与机制和MapReduce

NameNode

• NameNode:Hadoop分布式文件系统的核心，架构中的主角色
• NameNode维护和管理文件系统元数据，包括名称空间目录数结构、文件和块的位置信息、访问权限的信息
• NameNode成为了访问HDFS的唯一入口
• NameNode内部通过内存和磁盘文件两种方式管理元素据

DataNode

• DataNode是Haddop HDFS中的从角色，负责具体的数据块存储
• DataNode的数量决定了HDFS集群的数据存储能力。通过和NameNode配合维护着数据块

Secondary Name Node

• Secondary NameNode充当Namenode的辅助节点，但不能替代Namenode,主要是帮助主角色进行元数据文件的合并动作

写数据完整流

Pipeline管道。

• 这是HDFS在上传文件写数据过程中采用的一种数据传输方式
• 客户端将数据块写入第一个数据节点，第一个数据节点保存数据后再将复制到第二个数据节点，后者保存后将其复制到第三个数据节点

为什么datanode之间采用线性传输，而不是一次给三个datanode拓扑式传输？
   因为数据以管道的方式，顺序的沿着一个方向传输，这样能够充分利用每个机器的带宽，避免网络连接和高延迟时的连接。最小化推送所有数据的延时。

默认3副本存储策略

• 第一块副本：优先客服端本地，否则随机
• 第二块副本：不同于第一块副本的不同机架
• 第三块副本：第二块副本相同机架不同机器

ACk校验

• ACK即使确认字符，在数据通信中，接收方给发送方的一种传输类控制字符。表示发来的数据已确认无误
• 在HDFS管道传输数据对 过程中，传输的反方向会进行ACK校验，确保数据传输安全。

Hadoop MapReduce（分布式计算框架）

分而治之

mapreduce的思想核心是“分而治之”

• 分而治之：就是把一个复杂的问题，按照一定的“分解”方法分为等价的规模较小的若干部分，然后在逐个解决，分别找出各部分的结果，然后把各部分的结果组成整个问题的最终结果。
• Map:表示第一阶段，负责“拆分”，即把复杂的任务分解为若干个“简单的子任务”来并行处理。可以进行拆分的前提是这些小任务可以并行计算，彼此之间没有依赖关系。
• Reduce表示第二个阶段，负责“合并”，即对map阶段的结果进行全局汇总
  这两个阶段合起来正是MapReduce思想的体现

设计构思

• 应对相互间不具有依赖关系的大数据计算任务
• MapReduce处理的数据类型是<key,value>键值对
• MapReduce最大的亮点在于通过计算机框架需要做什么与具体怎么做分来了，为程序员提供了一个抽象和高层的编程接口和框架

MapReduce优点

• 易于编程
• 良好的扩展性
• 高容错性
• 适合海量数据的离线处理

MapReduce缺点

MapReduce虽然有很多优势，也有相对局限性，局限性不代表不能做，而是在有些场景下实现的效果比较差，并不适合MapReduce来处理，主要表现在以下结果方面：

• 实时计算性能差
  mapreduce主要应用与离线作业，无法做到秒级或者亚秒级得数据响应
• 不能进行流失计算
  流失计算特点的数据是源源不断得计算，并且数据是动态的；而mapreduce作为一个离线计算框架，主要是针对静态数据集得，数据是不能动态变化的

MapReduce实例进程

一个完整的MapReduce程序在分布式运行时有三类

• MRAPPMaster:负责整个MR程序的过程调度及其状态协调
• MapTask：负责map阶段的整个数据处理流程
• ReduceTask:负责reduce阶段的整个数据处理流程

阶段组成

• 一个MapReduce编程模型中只能包含一个Map阶段和一个Reduce阶段，或者只有Map阶段
• 不能有诸多个Map阶段、多个Reduce阶段的情景出现
• 如果用户的业务逻辑非常复杂，那就只能多个Mapreduce程序串行运行

MapReduce数据类型

• 整个MapReduce程序中，数据都是以KV键值对的形式流转的
• 在实际编程解决各种业务问题中，需要考虑每个阶段的输入输出KV分别是什么
• MapReduce内置了很多默认属性，比如排序，分组，都和数据的K有关，所以说KV的类型数据确定及其重要的

案例

示例1：评估案例Π（PI）的值：

/export/server/hadoop-3.3.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar
 hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi 2 2
 
//结果：Estimated value of Pi is 4.00000000000000000000

示例2：wordcount单词词频统计：

先将带有英语单词的文档进行上传

jar hadoop-mapreduce-examples-3.3.0.jar wordcount /input /output
 
//结果：  File Input Format Counters 
                Bytes Read=105
        File Output Format Counters 
                Bytes Written=53
<注意>输出位置要求是一个空文件

Map阶段执行过程

1. 逻辑切片（128M）
2. 按行读数据
3. 调用Mapper类中的map方法处理数据
   每读取解析出来一个<key,value>，调用一次map方法
4. 分区partition
5. Map输出数据写入内存缓冲区，达到比例溢出到磁盘上。溢出spill的时候根据key进行排序sort
6. 对溢出文件进行最终的merge合并，成为一个文件

Reduce阶段执行过程

1. ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据
2. 把拉取来的数据，全部进行合并，即把分散的数据合并成一个大的数据，在对合并后的数据排序
3. 对排序后的键值对调用reduce方法。键相等的键值调用一次reduce方法。最后把这些输出的键值对写入HDFS文件中。

Shuffle机制

Shuffle:将map端的无规则输出按指定的规则“打乱”具有一定规则的数据，以便reduce端接收处理

• 一般把从Map产生输出开始到Reduce取得数据作为输入之前的过程称为shuffle

Map端Shuffle

1. collect 2.spill 3.merge

Reduce端Shuffle

1.copy 2.merge 3.sort

shuffle机制弊端

• shuffle是MapReduce程序的核心和精髓，是MapReduce的灵魂所在
• shuffle也是MapReduce被诟病最多的地方所在，MapReduce相较于Spark、Flink计算引擎慢的原因，跟shuffle机制有很大关系
• shuffle中频繁涉及到数据在内存、磁盘之间的多次往复