5.Hadoop之HDFS（一）（Hadoop进化史与HDFS）

1. Hadoop的前世今生

1.1. Hadoop进化史

  • Nutch
  • Hadoop最早起源于Nutch。
  • Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能
  • 但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。
  • Google
  • 2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。
  • GFS : Google File System
  • MapReduce ：数据计算的方法
  • Doug cutting 花费了自己的两年业余时间，将论文实现了出来
  • 2008年1月，HADOOP成为Apache顶级项目
  • Hadoop
  • 狭义上来说，hadoop就是单独指代hadoop这个软件
  • 广义上来说，hadoop指代大数据的一个生态圈，包括很多其他的软件

1.2. Hadoop官网

1.3. Hadoop Model

简述hadoop的发行版本 hadoop的发展史_hadoop

  • Hadoop Common 基础型功能
  • Hadoop Distributed File System 负责存放数据
  • Hadoop YARN 负责资源的调配
  • Hadoop MapReduce 大数据的计算框架
  • Hadoop Ozone 数据存放到仓库
  • Hadoop Submarine 机器学习引擎

2.分布式文件系统架构

  • FS File System
  • 文件系统是基于硬盘之上的一个文件管理的工具
  • 我们用户操作文件系统可以和硬盘进行解耦
  • DFS Distributed File System:
  • 分布式文件系统
  • 将我们的数据存放在多台电脑上存储
  • 分布式文件系统有很多,
  • HDFS是mapreduce计算的基础

2.1.文件切分思想

  • 文件存放在一个磁盘上效率肯定是低的
  • 读取效率低
  • 如果文件特别大会超出单机的存储范围
  • 字节数组
  • 文件在磁盘真实存储文件的抽象概念
  • 数组可以进行拆分和组装，源文件不会受到影响
  • 切分数据
  • 对字节数组进行切分
  • 拼接数据
  • 按照数组的偏移量将数据连接到一起,将字节数组链接到一起
  • 偏移量
  • 当前数据在数组中的相对位置，你可以理解为 下标
  • 数组都有对应的索引(下标),可以快速的定位数据
  • 数据存储的原理：
  • 不管文件的的大小，所有的文件都是由字节数组构成
  • 如果我们要切分文件,就是将一个字节数组分成多份
  • 我们将切分后的数据拼接到一起，数据可以继续使用
  • 我们需要根据数据的偏移量将他们重新拼接到一起

2.2. Block拆分标准

  • 拆分的数据块需要等大
  • 数据计算的时候简化问题的复杂度
  • 进行分布式算法设计的时候，数据不统一，算法很难设计
  • 数据拉取的时候时间相对一致
  • 通过偏移量就知道这个块的位置
  • 相同文件，分成的数据块大小应该相等
  • 数据块 Block
  • 数据被切分后的一个整体称之为块
  • 在H1默认大小为64M,在H2及其以后默认大小为128M
  • 同一个文件中，每个数据块大小要一致除了最后一个节点外
  • 不同文件中，块的大小可以不一致
  • 文件大小不同可以设置不同的块的数量
  • 真实情况下，会根据文件大小和集群节点的数量综合考虑块的大小
  • 数据块的个数 =Ceil（ 文件大小 / 每个块的大小）
  • 注意事项
  • HDFS中一旦文件被存储，数据不允许被修改
  • 修改会影响偏移量
  • 修改会导致数据倾斜
  • 修改数据会导致蝴蝶效益
  • 但是可以被追加，但是不推荐
  • 追加设置需要手动打开
  • 一般HDFS存储的都是历史数据。所以 将来Hadoop的mr都用来进行离线数据的处理
  • 块的大小一旦文件上传之后就不允许被修改
  • 128m -512M
  • 如果数据文件的切割点128M整好是一个单词的中间部分，切分数据如何保证数据的完整性？

2.3. Block数据安全

  • 肯定要对存储数据做备份
  • 备份的数据肯定不能存放在一个节点上
  • 使用数据的时候可以就近获取数据
  • 所以备份的数量要小于等于节点的数量
  • 每个数据块会有3个副本，相同副本是不会存放在同一个节点上
  • 副本的数量可以变更
  • 可能近期的数据被分析的可能性跟大，副本数可以多设置几个
  • 后期数据很少被分析，可以减少副本数

2.4. Block的管理效率

  • 需要专门给节点进行分工
  • 存储 DataNode
  • 记录 NameNode
  • 日志 secondaryNameNode

2.5. HDFS的特点

  • 优点
  • a)高容错性
  • i.保存多个副本，且提供容错机制。
  • ii.副本丢失或宕机自动恢复。默认存3份。
  • b)运行在廉价的机器上（商用机）
  • i.通过副本提高可靠性
  • ii.提供了容错和恢复机制
  • c)适合批处理
  • i.移动计算而非数据
  • ii.数据位置暴露给计算框架。NameNode上有位置
  • d)适合大数据的处理
  • i.TB，甚至PB级数据
  • ii.百万规模以上的文件数量
  • iii.10K+节点规模
  • e)流式数据访问
  • i.一次写入，多次读取，高吞吐量，所以可以同时处理大量数据
  • 缺点
  • a)不擅长低延迟数据访问
  • 比如毫秒级
  • b)不擅长小文件的分区
  • i.占用NameNode大量内存
  • ii.磁盘寻道时间超过读取时间
  • c)不擅长并发写入，文件随机修改
  • i.一个文件只能有一个写入者
  • ii.仅支持append,也就是添加（有组件实现删等）

毫秒级

  • b)不擅长小文件的分区
  • i.占用NameNode大量内存
  • ii.磁盘寻道时间超过读取时间
  • c)不擅长并发写入，文件随机修改
  • i.一个文件只能有一个写入者
  • ii.仅支持append,也就是添加（有组件实现删等）