众所周知，Hadoop是目前最流行的大数据计算平台，它由众多的框架（或者称为模块，组件）组成，共同完成大数据的计算任务。实际上，大数据需要解决的两大核心问题是数据的存储和数据的计算。Hadoop对数据的存储采用的是分布式方式，对数据的计算也采用分布式方式。具体来说，Hadoop包含以下核心框架：
-
HDFS：实现数据的分布式存储
-
MapReduce：实现数据的分布式计算
-
在这里相信有许多想要学习大数据的同学，大家可以+下大数据学习裙：957205962，即可免费领取套系统的大数据学习教程
-
Yarn：对计算任务进行资源分配和任务调度
这就说明，只要安装和配置了Hadoop，以上三个框架就能使用了。MapReduce只实现了最基本的对数据的离线计算，而Hadoop这个开放式计算平台是不断发展的，更多的更先进的计算框架不断加入，如Spark能够对数据进行实时计算，而Storm能够对数据进行实时的流式计算。
一、HDFS的设计思想
HDFS即Hadoop Distributed File System，Hadoop分布式文件系统，它来源于谷歌公司的一篇学术论文“The Google File System”，这篇论文中介绍的思想被引入Hadoop，就是现在的HDFS，它是Hadoop的基础架构。Hadoop的配置管理就是从HDFS开始的。
HDFS作为一种文件系统，用于存储数据，它与传统文件系统既有相同的特点，也有巨大的差别。由于HDFS对于硬件没有特别的要求，普通的PC机和普通硬盘即可，所以带来一个不可避免的问题：如果硬件出现故障，数据就会丢失。HDFS的设计基于以下思想：
-
硬件故障的发生是常态，而不是偶然事件。HDFS采用高冗余的方式保证数据的安全，任何数据在HDFS中都有多个拷贝，它们分布在不同的计算机系统中
-
移动计算的成本低于移动数据。数据存储在什么地方，对数据的计算就在什么地方进行，应用程序在本地就能找到数据，而不需要通过网络获取数据
-
支持大文件，文件大小可达到TB、PB级，这样的文件在任何单个硬盘中都无法存储。HDFS将文件分割为数据块，写入不同的DataNode中
-
数据的存储空间是可以扩展的。虽然单个硬盘的空间是有限的，但HDFS把多个计算机系统中的硬盘设备整合在一起，从而产生一个非常大的、可以不断扩展的存储空间
-
数据的访问方式是：一次写入，多次读取
-
应用程序对数据的访问应该是批量的流式读访问，而不是随机的读写访问
由此可见，HDFS的功能是为Hadoop中的分布式应用程序提供分布式数据存储。一方面，HDFS存储原始数据，即需要被处理的数据；一方面，存储计算的中间结果；另一方面，存储最终的计算结果。分布式应用程序在多个计算机系统中同时运行，读取HDFS中位于本地硬盘上的数据，对它们进行处理，然后把处理结果写入HDFS，从而实现数据的并行计算。
通过上面的描述可以知道，大数据是数据的集合，而数据库也是数据的集合，那么它们之间有什么区别呢？二者的区别与联系有以下几点：
-
传统数据库的数据量一般为GB、TB级，而大数据的数据量为TB、PB甚至更多
-
传统数据库的访问侧重于OLTP（联机事务处理），而大数据的访问侧重于批量处理
-
传统数据库的数据频繁变化，而大数据则是一次写入、多次读取
-
传统数据库中存储联机数据，而大数据则是历史数据。实际上，大数据的来源一般都是关系型数据库，如MySQL数据库或者Oracle数据库
-
传统数据库对数据采用集中存储、集中处理的方式，而大数据则采用分布式存储、分布式计算的方式
-
传统数据库对数据的处理是实时的，而大数据的处理有相当的延迟
-
传统数据库支持事务，而大数据不支持事务
二、HDFS的体系结构
HDFS的体系结构如图1所示。HDFS包含一个NameNode，一个或多个DataNode。这里所说的node，一方面指的是操作系统中的进程，另一方面指的是运行这些进程的计算机系统。这些进程可以运行在相同或不同的操作系统中，如果是生产环境，它们应该运行在独立的PC机上的操作系统中。
DataNode的功能是为HDFS提供数据的存储空间，如果一个操作系统中运行DataNode进程，那么这个计算机系统就把本地硬盘作为HDFS的存储空间。NameNode的功能是维护HDFS的配置信息，如HDFS中的NameNode和DataNode，以及HDFS的元数据，即数据在DataNode中的分布情况。如果要修改HDFS的配置，那么需要修改NameNode上的配置文件，如果文件系统的结构有变化，比如用户写入文件、删除文件，那么NameNode上的元数据就会发生相应的变化。
HDFS中的数据是以文件形式存在的，这种文件可以达到PB、TB甚至更大。数据在被写入HDFS之前，首先被分割为块（block），块大小是可以指定的，如64MB、128MB、256MB等，对同一个文件来说，块大小都是相同的，当然，最后一个块可能不足一个块大小。为了防止硬件故障，每个块会有多个拷贝，默认为3，分布在不同的DataNode上。同一个文件的各个块具有相同的拷贝数。对于HDFS来说，块大小和块的拷贝数是可以修改的，这样的修改将对以后的文件产生影响。
图1 HDFS体系结构
对于HDFS来说，客户端（即图1中的Client）就是访问HDFS中的数据的应用程序，比如hdfs shell命令，也可能是其它框架，如MapReduce，Hbase等，也可能是用户自己编写的分布式应用程序。客户端需要把数据写入HDFS。按照HDFS的块大小和块的拷贝数，数据被写入各个DataNode，而这些块的分布情况则被写入NameNode，这就是元数据。以后客户端如果希望访问数据，首先从NameNode获得元数据，然后从DataNode获取数据。数据的分布情况与元数据的关系如图2所示。
NameNode和DataNode协同工作，共同实现HDFS的功能，它们之间通过TCP/IP协议进行通信。DataNode通过高层的RPC协议，定期向NameNode报告自己的状态，同时报告数据块在自己的硬盘上的分布情况。如果DataNode停止发送心跳信号，那么NameNode将认为DataNode停止运行，以后的数据将不会被写入这个DataNode，而客户端对数据的访问请求也不会被发送到这个DataNode。
图2 HDFS中数据的分布情况
HDFS的元数据表现为操作系统中的文件，在NameNode的本地文件系统中，有一个文件叫做Fsimage，这就是元数据文件。每次NameNode启动时，把这个文件加载到内存中，这样它就获得了数据在DataNode上的分布情况。随着客户端对HDFS不断地进行访问，如写入新数据、删除文件等，元数据将不断变化。然而这样的变化并不是立刻体现到Fsimage文件中的，NameNode将文件系统的变化写入另外一个文件，即Editlog。NameNode定期将Editlog文件的内容应用到Fsimage中，使其成为最新的元数据文件，然后将这个文件写入本地文件系统，这个过程叫做checkpoint。当管理员正常关闭NameNode时，checkpoint也会发生一次。
三、HDFS的高可用性
HDFS的高可用性包括两个方面，其一是数据的高可用性，这是通过数据的高冗余来保证的；其二是NameNode的高可用性，这是通过集群来保证的。通过前面的内容介绍可以知道，NameNode在HDFS中处于核心地位，如果它停止运行，那么整个HDFS将不可用。为了防止NameNode出现故障，可以配置HDFS集群。在集群中，有多个NameNode在运行，其中一个处于Active状态，其余处于Standby状态。客户端对HDFS的访问请求都发送到Active状态的NameNode，如果这个NameNode由于故障原因而不可用，这时其中一个Standby状态的NameNode将升级为Active状态。这些NameNode必须解决一个重要的问题，那就是Fsimage和Editlog文件的一致性。当HDFS的元数据有变化时，处于Active状态的NameNode将更新本地文件系统中的Fsimage和Editlog文件，然而这样的变化并没有体现在其它的NameNode中。处于Standby状态的NameNode必须获得最新的元数据，才可能升级到Active状态。
如果希望配置HDFS集群，需要选择以下两种方法之一，来保证元数据的一致性：
在这里相信有许多想要学习大数据的同学，大家可以+下大数据学习裙：957205962，即可免费领取套系统的大数据学习教程
-
NFS服务
-
QJM
第一种方法的实现原理是，多个NameNode通过NFS服务的共享目录来保证元数据的一致性。当HDFS的元数据有变化时，处于Active状态的NameNode将更新本地的Fsimage和Editlog文件，同时将这两个文件写入NFS共享目录。而那些处于Standby状态的NameNode则从NFS共享目录读取这两个文件，更新自己本地的这两个文件，从而获得最新的元数据。
第二种方法QJM（即Quorum Journal Manager）的实现原理是，多个NameNode通过一组JournalNode来保证元数据的一致性。JournalNode是指操作系统中的进程，同时指的是运行这种进程的计算机系统。当HDFS的元数据有变化时，处于Active状态的NameNode将更新本地的Fsimage和Editlog文件，同时将这两个文件写入JournalNode的本地目录。而那些处于Standby状态的NameNode则从JournalNode读取这两个文件，更新自己本地的这两个文件，从而获得最新的元数据。JournalNode的数量至少要求三个，只要处于Active状态的NameNode将Fsimage和Editlog文件写入大多数JournalNode，元数据的一致性就能够得到保证。为了保证“大多数写入”，JournalNode的数量最好配置为奇数。
然而，当你配置并启动了HDFS集群，并且通过上述两种方法之一实现元数据的同步之后，你会发现，所有的NameNode都处于Standby状态，也就是说，它们的状态转换需要通过执行命令来手工进行。为了使NameNode的状态能够自动地在Active和Standby之间进行转换，还需要配置另外一个框架，那就是ZooKeeper。
四、数据的水平复制
假设一个文件的大小为1GB，客户端需要把文件上传到HDFS中。如果HDFS指定的块大小为256MB，数据的拷贝数为3，那么这个文件将被分割成4个块，每个块有三个拷贝，分布在三个不同的DataNode中。这是不是意味着客户端需要把这个文件上传三次呢？当然不是，客户端只需要把文件上传到其中一个DataNode，这个DataNode将这个块水平复制到第二个DataNode，第二个DataNode再将此块水平复制到第三个DataNode，以此类推。这种方式叫做pipeline。图3表示其中一个块的水平复制情况。
图3 数据的水平复制
HDFS能够自动感知多个DataNode所在的计算机是不是位于同一个机架（Rack）上。一般来说，同一个机架上的计算机通过同一个交换机相连，相互之间的数据传输速度较快，但如果机架整体遇到灾难性的故障，如火灾，那么所有计算机都会受到牵连。不同机架上的计算机一般通过不同的交换机甚至路由器相连，相互之间的数据传输速度较慢，然而多个机架同时发生故障的可能性比较小。HDFS在对数据进行水平复制时，一方面考虑到数据的传输速度，另一方面考虑到数据的高可用性。水平复制的顺序一般是：客户端把数据写入其中一个DataNode，这个DataNode把数据水平复制到另一个机架上的一个DataNode，然后把数据水平复制到同一机架的一个DataNode。
五、实验环境的搭建
实验环境一般以练习、测试或者开发为目的，硬件资源有限，所以希望计算机的处理能力能够得到充分利用。一般在个人PC或者笔记本中运行Vmware虚拟机，至少三个；在虚拟机中安装Linux操作系统，作为Hadoop的运行环境。在这样的实验环境中运行一个MapReduce任务时，硬件资源立刻显得捉襟见肘。
在开始配置Hadoop之前，首先需要对Linux操作系统进行以下配置和规划：
1、创建必要的操作系统用户
虽然root用户是Linux操作系统中的管理员，但Hadoop的运行不能使用这个用户，而需要一个普通用户，如hadoop。以root用户登录每个Linux操作系统，创建hadoop用户，并且为其指定口令。以后对Hadoop的配置管理任务，基本上是以这个用户身份进行的。
2、安装JDK软件
Hadoop的各个框架基本是用Java语言编写的，所以Hadoop的运行需要JDK。虽然Linux操作系统自带JDK，但在运行Hadoop时会出现各种莫名其妙的问题。因此，需要在Oracle官网下载较新的JDK，然后以root用户身份，在每个Linux操作系统中进行安装。
接下来，需要以hadoop用户身份，在HOME目录下的.bash_profile文件中定义环境变量，如：
export JAVA_HOME=/usr/java/jdk1.8.0_152
export PATH=$JAVA_HOME/bin:$PATH
上述第一个变量用于指定JDK的安装目录，具体的变量值取决于JDK的实际安装路径。第二个变量用于指定操作系统中可执行文件所在的路径，在这里需要把JDK安装目录下的bin子目录置于前面，这样可以保证以后执行的Java相关命令都来自我们自己安装的JDK，而不是操作系统自带的JDK。
3、SSH对等关系的配置
由于Hadoop运行环境包含众多的node，它们分布在不同的操作系统中，所以集中式的配置和管理是非常必要的。一般情况下，在一个node上修改配置文件，然后把修改结果拷贝到其它node，在一个node上执行命令，控制其它所有node。
为了实现Hadoop的集中配置和管理，需要在操作系统中配置SSH对等关系，这种配置在有些文档中叫做无密/免密登录。SSH对等关系的原理是，在两个操作系统中选择对等用户，一般是同名用户，在第一个操作系统中执行SSH中的ssh-keygen命令，产生一对密钥，一个公钥一个私钥；然后把公钥拷贝到第二个操作系统，这样就可以在第一个操作系统中通过ssh命令执行第二个操作系统中的命令，或者通过scp命令在两个操作系统中拷贝文件，不需要输入对方用户的口令。如果仅仅把一个操作系统中的公钥拷贝到另一个操作系统，这样的对等关系是单向的。利用SSH还可以配置用户之间的双向对等关系，具体做法是，首先在每个操作系统中分别产生密钥，再把每个操作系统中的公钥集中到一个文件中，然后把这个文件分发到所有操作系统中，以后用户就可以登录任何一个操作系统，控制整个Hadoop，或者在任意两个操作系统中拷贝文件。以下是双向对等关系的配置过程。
首先，以hadoop用户身份分别登录每个操作系统，执行命令ssh-keygen，一路回车，产生两个密钥文件，位于HOME目录的.ssh子目录下，其中id_rsa是私钥文件，id_rsa.pub是公钥文件。
然后选择其中一个操作系统，把自己的公钥拷贝到.ssh目录下的authorized_keys文件中，例如：
cat id_rsa.pub > authorized_keys
接下来，在选定的操作系统中，针对其它每个操作系统，执行下面的命令，把公钥文件拷贝到本地的authorized_keys中，其中Server2是对等系统的主机名或IP地址。
此时由于用户的对等关系尚未配置完成，所以在执行上述命令时，需要输入对等用户的口令。这条命令的意思是：通过ssh调用Server2上的cat命令，打开id_rsa.pub文件，把文件内容追加到当前系统的authorized_keys文件中。
接下来，在选定的操作系统中，把authorized_keys文件拷贝到其它所有操作系统的对等目录下，即对等用户的HOME目录下的.ssh子目录。例如：
最后，在每个操作系统中，修改authorized_keys的权限模式为600。如：
chmod 600 authorized_keys
为了保证Hadoop的正常运行，需要对SSH对等关系进行测试。选择其中一个操作系统，通过ssh命令调用其它任一操作系统的一条命令，如date，观察是否需要输入对方操作系统中的用户口令，如：
ssh Server2 date
如果在不需要输入对方用户口令的情况下，上述命令获得了对方系统的系统时间，那就说明SSH对等关系已经配置成功。
4、关闭防火墙
在默认情况下，Hadoop的各个node如果运行在不同的操作系统中，它们之间的通信是被防火墙屏蔽的。在实验环境中，完全可以将防火墙关闭，以取得一劳永逸的效果。在生产环境中，防火墙的关闭可能是不被允许的，这时需要求助于系统管理员，修改防火墙的配置，保证各个node之间的通信。例如，以root用户身份执行以下命令，关闭并禁用防火墙。需要注意的是，在不同版本的Linux系统中，这样的命令是不一样的。以下两条命令适用于Redhat/Centos7.x。
systemctlstop firewalld
systemctldisable firewalld
5、端口的规划
随着Hadoop学习的深入，你会发现，在每个Linux操作系统中需要运行多个进程，即各种node，而每个node都需要监听一个或多个端口，整体算下来，一个Hadoop运行环境就需要一大堆端口。Hadoop可以使用默认端口，也可以使用指定的端口。而在生产环境中，端口的使用并不是随意的，管理员可能会分配一定范围的端口给Hadoop。所以在配置Hadoop的过程中，需要与系统管理员和网络管理员保持密切的沟通，共同协商端口的分配。
6、Node的规划
Hadoop中的每个node都需要在操作系统中运行。那些重要的node，应该在单独的操作系统中运行，如HDFS的NameNode，Hbase的HMaster，以及提供底层支持的ZooKeeper等；而其它node，如HDFS的DataNode，Hbase的HRegionServer，可以安排在同一个操作系统中运行。同一类型的多个node，应该分布在不同的操作系统中。
在实验环境中，由于硬件资源有限，每个计算机系统往往需要身兼数职。表1是node规划的一个例子。
表1 Node规划的例子
在上述规划中，计算机系统Server1既作为NameNode，又作为DataNode，同时运行JournalNode和ZooKeeper。