一、相關概念

1、大資料

大資料是一門概念，也是一門技術，是以Hadoop為代表的大資料平臺框架上進行各種資料分析的技術。

大資料包括了以Hadoop和Spark為代表的基礎大資料框架，還包括實時資料處理，離線資料處理，資料分析，資料探勘和用機器演算法進行預測分析等技術。

2、Hadoop

Hadoop是一個開源的大資料框架，是一個分散式計算的解決方案。

Hadoop的兩個核心解決了資料儲存問題（HDFS分散式檔案系統）和分散式計算問題（MapRe-duce）。

舉例1：使用者想要獲取某個路徑的資料，資料存放在很多的機器上，作為使用者不用考慮在哪臺機器上，HD-FS自動搞定。

舉例2：如果一個100p的檔案，希望過濾出含有Hadoop字串的行。這種場景下，HDFS分散式儲存，突破了伺服器硬碟大小的限制，解決了單臺機器無法儲存大檔案的問題，同時MapReduce分散式計算可以將大資料量的作業先分片計算，最後彙總輸出。

二、Hadoop特點

優點

1、支援超大檔案。HDFS儲存的檔案可以支援TB和PB級別的資料。

2、檢測和快速應對硬體故障。資料備份機制，NameNode通過心跳機制來檢測DataNode是否還存在。

3、高擴充套件性。可建構在廉價機上，實現線性（橫向）擴充套件，當叢集增加新節點之後，NameNode也可以感知，將資料分發和備份到相應的節點上。

4、成熟的生態圈。藉助開源的力量，圍繞Hadoop衍生的一些小工具。

缺點

1、不能做到低延遲。高資料吞吐量做了優化，犧牲了獲取資料的延遲。

2、不適合大量的小檔案儲存。

3、檔案修改效率低。HDFS適合一次寫入，多次讀取的場景。

三、HDFS介紹

1、HDFS框架分析

HDFS是Master和Slave的主從結構。主要由Name-Node、Secondary NameNode、DataNode構成。

NameNode

管理HDFS的名稱空間和資料塊對映信儲存元資料與檔案到資料塊對映的地方。

如果NameNode掛掉了，檔案就會無法重組，怎麼辦？有哪些容錯機制？

Hadoop可以配置成HA即高可用叢集，叢集中有兩個NameNode節點，一臺active主節點，另一臺stan-dby備用節點，兩者資料時刻保持一致。當主節點不可用時，備用節點馬上自動切換，使用者感知不到，避免了NameNode的單點問題。

Secondary NameNode

輔助NameNode，分擔NameNode工作，緊急情況下可輔助恢復NameNode。

DataNode

Slave節點，實際儲存資料、執行資料塊的讀寫並彙報儲存資訊給NameNode。

2、HDFS檔案讀寫

檔案按照資料塊的方式進行儲存在DataNode上，資料塊是抽象塊，作為儲存和傳輸單元，而並非整個檔案。

檔案為什麼要按照塊來儲存呢？

首先遮蔽了檔案的概念，簡化儲存系統的設計，比如100T的檔案大於磁碟的儲存，需要把檔案分成多個數據塊進而儲存到多個磁碟；為了保證資料的安全，需要備份的，而資料塊非常適用於資料的備份，進而提升資料的容錯能力和可用性。

資料塊大小設定如何考慮？

檔案資料塊大小如果太小，一般的檔案也就會被分成多個數據塊，那麼在訪問的時候也就要訪問多個數據塊地址，這樣效率不高，同時也會對NameNode的記憶體消耗比較嚴重；資料塊設定得太大的話，對並行的支援就不太好了，同時系統如果重啟需要載入資料，資料塊越大，系統恢復就會越長。

3.2.1 HDFS檔案讀流程

1、向NameNode通訊查詢元資料（block所在的DataNode節點），找到檔案塊所在的DataNode伺服器。

2、挑選一臺DataNode（就近原則，然後隨機）伺服器，請求建立socket流。

3、DataNode開始傳送資料（從磁盤裡面讀取資料放入流，以packet為單位來做校驗）。

4、客戶端已packet為單位接收，現在本地快取，然後寫入目標檔案，後面的block塊就相當於是append到前面的block塊最後合成最終需要的檔案。

3.2.2 HDFS檔案寫流程

1、向NameNode通訊請求上傳檔案，NameNode檢查目標檔案是否已存在，父目錄是否存在。

2、NameNode返回確認可以上傳。

3、client會先對檔案進行切分，比如一個block塊128m，檔案有300m就會被切分成3個塊，一個128m、一個128m、一個44m。請求第一個block該傳輸到哪些DataNode伺服器上。

4、NameNode返回DataNode的伺服器。

5、client請求一臺DataNode上傳資料，第一個DataNode收到請求會繼續呼叫第二個DataNode，然後第二個呼叫第三個DataNode，將整個通道建立完成，逐級返回客戶端。

6、client開始往A上傳第一個block，當然在寫入的時候DataNode會進行資料校驗，第一臺DataNode收到後就會傳給第二臺，第二臺傳給第三臺。

7、當一個block傳輸完成之後，client再次請求NameNode上傳第二個block的伺服器。

四、MapReduce介紹

1、概念

MapReduce是一種程式設計模型，是一種程式設計方法，是抽象的理論，採用了分而治之的思想。MapReduce框架的核心步驟主要分兩部分，分別是Map和Reduce。每個檔案分片由單獨的機器去處理，這就是Map的方法，將各個機器計算的結果彙總並得到最終的結果，這就是Reduce的方法。

2、工作流程

向MapReduce框架提交一個計算作業時，它會首先把計算作業拆分成若干個Map任務，然後分配到不同的節點上去執行，每一個Map任務處理輸入資料中的一部分，當Map任務完成後，它會生成一些中間檔案，這些中間檔案將會作為Reduce任務的輸入資料。Reduce任務的主要目標就是把前面若干個Map的輸出彙總到一起並輸出。

3、執行MapReduce示例

執行Hadoop自帶的MapReduce經典示例Word-count，統計文字中出現的單詞及其次數。首先將任務提交到Hadoop框架上。

檢視MapReduce執行結束後的輸出檔案目錄及結果內容。

可以看到統計單詞出現的次數結果

五、Hadoop安裝

牆裂推薦：史上最詳細的Hadoop環境搭建(blog.csdn.net/hliq5399/ar…)

1、Hadoop部署模式

本地模式

偽分散式模式

完全分散式模式

以上部署模式區分的依據是NameNode、Data-Node、ResourceManager、NodeManager等模組執行在幾個JVM程序、幾個機器上。

2、安裝步驟（以偽分散式模式為例）

學習Hadoop一般是在偽分散式模式下進行。這種模式是在一臺機器上各個程序上執行Hadoop的各個模組，偽分散式的意思是雖然各個模組是在各個程序上分開執行的，但是隻是執行在一個作業系統上的，並不是真正的分散式。

5.2.1 JDK包下載、解壓安裝及JAVA環境變數配置

exportJAVA_HOME=/home/admin/apps/jdk1.8.0_151

exportCLASSPATH=.:JAVA_HOME/lib/tools.jar

exportPATH=PATH

5.2.2 Hadoop包下載、解壓安裝及Hadoop環境變數配置

exportHADOOP_HOME="/zmq/modules/hadoop/hadoop-3.1.0"

exportPATH=HADOOP_HOME/sbin:$PATH

5.2.3 配置Hadoop-env.sh、mapred-env.sh、yarn-env.sh檔案的JAVA_HOME引數

exportJAVA_HOME="/home/admin/apps/jdk1.8.0_151"

5.2.4 配置core-site.xml，配置的是HDFS的地址和Hadoop臨時目錄

5.2.5 配置hdfs-site.xml，設定HDFS儲存時的備份數量，這裡是偽分散式部署，就填寫1

5.2.6 格式化HDFS，啟動NameNode、Data-Node、SecondaryNameNode，檢視程序

5.2.7 搭建完成，操作HDFS（常用的新建目錄、上傳下載檔案等），以及執行MapReduceJob

六、Hadoop更多

以上介紹的僅是對Hadoop的初步學習和使用，Ha-doop的HA完全分散式部署、Hadoop的資源排程YARN、Hadoop的高可用和容錯機制、Hadoop生態圈的其他元件等等還沒有去研究，感嘆Hadoop水很深，哈哈。

作者簡介：夢琴，兩年+測試經驗，當前主要負責內部平臺產品的測試及部分外部交付專案測試。