hadoop学习总结（一）

一、如何安装配置apache的一个开源hadoop集群

使用root账户登录
修改IP
修改host主机名
配置SSH免密码登录
关闭防火墙
安装JDK并配置jdk环境变量
解压hadoop安装包
配置hadoop的核心文件
hadoop-env.sh，core-site.xml , mapred-site.xml ， hdfs-site.xml ，yarn-site.xml ，slaves
配置hadoop环境变量
格式化 hadoop namenode-format
启动节点start-dfs.sh,start-yarn.sh

二、HDFS存储机制

HDFS（Hadoop Distributed File System）是GFS的开源实现。
特点如下：

能够运行在廉价机器上，硬件出错常态，需要具备高容错性
流式数据访问，而不是随机读写
面向大规模数据集，能够进行批处理、能够横向扩展
简单一致性模型，假定文件是一次写入、多次读取

缺点：

不支持低延迟数据访问
不适合大量小文件存储（因为每条元数据占用空间是一定的）
不支持并发写入，一个文件只能有一个写入者
不支持文件随机修改，仅支持追加写入

HDFS中的block、packet、chunk

要把读写过程细节搞明白前，你必须知道block、packet与chunk。下面分别讲述。

block
这个大家应该知道，文件上传前需要分块，这个块就是block，一般为128MB，当然你可以去改，不顾不推荐。因为块太小：寻址时间占比过高。块太大：Map任务数太少，作业执行速度变慢。它是最大的一个单位。
packet
packet是第二大的单位，它是client端向DataNode，或DataNode的PipLine之间传数据的基本单位，默认64KB。
chunk
chunk是最小的单位，它是client向DataNode，或DataNode的PipLine之间进行数据校验的基本单位，默认512Byte，因为用作校验，故每个chunk需要带有4Byte的校验位。所以实际每个chunk写入packet的大小为516Byte。由此可见真实数据与校验值数据的比值约为128 : 1。（即64*1024 / 512）

例如，在client端向DataNode传数据的时候，HDFSOutputStream会有一个chunk buff，写满一个chunk后，会计算校验和并写入当前的chunk。之后再把带有校验和的chunk写入packet，当一个packet写满后，packet会进入dataQueue队列，其他的DataNode就是从这个dataQueue获取client端上传的数据并存储的。同时一个DataNode成功存储一个packet后之后会返回一个ack packet，放入ack Queue中。

写流程（详细步骤）

客户端向NameNode发出写文件请求。

检查是否已存在文件、检查权限。若通过检查，直接先将操作写入EditLog，并返回输出流对象。

 	注：WAL，write ahead log，先写Log，再写内存，因为EditLog记录的是最新的
 HDFS客户端执行所有的写操作。如果后续真实写操作失败了，由于在真实写操作之前，操
 作就被写入EditLog中了，故EditLog中仍会有记录，我们不用担心后续client读不到相
 应的数据块，因为在第5步中DataNode收到块后会有一返回确认信息，若没写成功，发送
 端没收到确认信息，会一直重试，直到成功。

client端按128MB的块切分文件。
client将NameNode返回的分配的可写的DataNode列表和Data数据一同发送给最近的第一个DataNode节点，此后client端和NameNode分配的多个DataNode构成pipeline管道，client端向输出流对象中写数据。client每向第一个DataNode写入一个packet，这个packet便会直接在pipeline里传给第二个、第三个…DataNode。
注：并不是写好一个块或一整个文件后才向后分发
每个DataNode写完一个块后，会返回确认信息。
注：并不是每写完一个packet后就返回确认信息，packet中的每个chunk都携带校验信息，没必要每写一个就汇报一下，这样效率太慢。正确的做法是写完一个block块后，对校验信息进行汇总分析，就能得出是否有块写错的情况发生
写完数据，关闭输出流
发送完成信号给NameNode。
注：发送完成信号的时机取决于集群是强一致性还是最终一致性，强一致性则需要所有DataNode写完后才向NameNode汇报。最终一致性则其中任意一个DataNode写完后就能单独向NameNode汇报，HDFS一般情况下都是强调强一致性

读流程

步骤如下：

client访问NameNode，查询元数据信息，获得这个文件的数据块位置列表，返回输入流对象。
就近挑选一台datanode服务器，请求建立输入流。
DataNode向输入流中中写数据，以packet为单位来校验。
关闭输入流

读写过程，数据完整性如何保持

	通过校验和。因为每个chunk中都有一个校验位，一个个chunk构成packet，一个个
packet最终形成block，故可在block上求校验和。

	HDFS 的client端即实现了对 HDFS 文件内容的校验和 (checksum) 检查。当客户端
创建一个新的HDFS文件时候，分块后会计算这个文件每个数据块的校验和，此校验和
会以一个隐藏文件形式保存在同一个 HDFS 命名空间下。
	当client端从HDFS中读取文件内容后，它会检查分块时候计算出的校验和（隐藏文件里）
和读取到的文件块中校验和是否匹配，如果不匹配，客户端可以选择从其他 Datanode 获取
该数据块的副本。

	HDFS中文件块目录结构具体格式如下：

${dfs.datanode.data.dir}/ 
├── current 
│ ├── BP-526805057-127.0.0.1-1411980876842 
│ │ └── current 
│ │ ├── VERSION 
│ │ ├── finalized 
│ │ │ ├── blk_1073741825 
│ │ │ ├── blk_1073741825_1001.meta 
│ │ │ ├── blk_1073741826 
│ │ │ └── blk_1073741826_1002.meta 
│ │ └── rbw 
│ └── VERSION 
└── in_use.lock

in_use.lock表示DataNode正在对文件夹进行操作 
rbw是“replica being written”的意思，该目录用于存储用户当前正在写入的数据。 
block元数据文件（*.meta）由一个包含版本、类型信息的头文件和一系列校验值组成。校验和也正是存在其中。

三、mapreduce原理

	MapReduce采用"分而治之"的思想，把对大规模数据集的操作，分发给一个主节点
管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。简单
地说，MapReduce就是"任务的分解与结果的汇总"。
	在分布式计算中，MapReduce框架负责处理并行编程中分布式存储、工作调度、负
载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：
map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果
汇总起来。
	需要注意的是，用MapReduce来处理的数据集（或任务）必须具备这样的特点：待处
理的数据集可以分解成许多小的数据集，而且每一个小数据集都可以完全并行地进行处理。