NameNode、DataNode和MapReduce运行原理

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了NameNode、DataNode和MapReduce运行原理，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含9107字，纯文字阅读大概需要14分钟。

内容图文

一、Namenode
1.作用
①负责元数据的存储
②负责接受和处理客户端的请求
③负责接受DN上报的信息
④和DN保持心跳，向DN下达命令

2.元数据
包含两部分
①文件的属性(保存在edits+fsimage)
②块的位置信息(由DN启动后自动上报，动态生成)

3.存储元数据的文件
①edits文件： NN启动后，客户端每次的写操作都会记录在edits文件中
②fsimage文件：
在NN第一次格式化时生成，在NN每次执行checkpoint，满足条件后，会重新将内存中合并后的元数据
持久化到fsimage文件中

4.checkpoint
每次Namenode会定期进行checkpoint，主要了为了防止在运行期间产生大量的edits文件，导致下次重启时
恢复时间过长！

定期将edits文件中新的内容，持久化到fsimage文件中，进行快照存储！

默认的机制：
①没间隔1h，执行一次
②距离上次，又新产生了100w次txns操作

5.NN的安全模式
NN的安全模式主要是为了接受DN上报块信息！

每次NN启动时，会自动进入安全模式！在安全模式只能有限读，不能写！

当DN上报的块的最小副本数的总数 / 块的总数 > 0.999时，NN会在30秒后自动离开！

手动操作： hdfs dfsadmin -safemode get|enter|leave|wait

二、SecondaryNamenode
如果配置了SecondaryNamenode，2nn会帮助NN进行checkpoint操作！

三、Datanode
1.作用
①接受客户端的读写块请求
②DN负责维护块的完整性，通过定期检查块的校验和判断块是否损坏
损坏的块，DN会自动删除，在下次启动时，不会上报给NN
③DN负责定期向NN汇报块的信息，接收NN的其他任务(复制块等)

2.Datanode的掉线时长
DN和NN每间隔dfs.heartbeat.interval(3s)进行一次心跳！
如果DN和NN上一次心跳举例当前时间，
已经过了2*dfs.namenode.heartbeat.recheck-interval(5min)+10*dfs.heartbeat.interval,
NN会将DN的状态标记为DEAD！

四、其他配置
1.NN的多目录配置
NN的多目录指对元数据进行多个目录的同时备份，通过hdfs-site.xml中的dfs.namenode.name.dir进行设置！

2.DN的多目录配置
如果机器添加了新的磁盘，希望DN在写入块时，向新磁盘的目录进行写入！
配置DN的多目录！
通过hdfs-site.xml中dfs.datanode.data.dir进行配置

3.服役新节点
①准备机器，安装软件，配置NN，RM的相关配置
②启动datanode和nodemanager进程即可


服役了新的DN节点后，可以执行再平衡的命令，这个命令可以将集群中块进行重新平衡分配！
./start-balancer.sh

4.白名单
白名单是为了阻止某个进程加入集群！
白名单之外的机器，无法进入集群！
白名单通过hdfs-site.xml中的dfs.hosts配置！
可以使用 hdfs dfsadmin -refreshNodes刷新配置，读取此配置信息！

5.黑名单
退役datanode!
黑名单通过hdfs-site.xml中的dfs.hosts.exclude配置！
黑名单中的机器在最后一次启动时，会将当前机器的块移动到其他节点！
注意: 如果当前集群中在线的DN节点不满足某些文件的副本数要求，当前退役节点是无法退役完成！

6.集群间的拷贝
hadoop distcp hdfs://xxxx:xxx/xxx hdfs://xxxx:xxx/xxx

7.在线归档
归档： hadoop arichieve -archievename 归档文件名 -p 父目录 输入文件... 输出目录
使用： hadoop fs -ls har:///归档文件名

在线归档不会删除原文件！

五、MapReduce

 

二、MR的核心编程思想

1.概念
Job(作业) : 一个MR程序称为一个Job
MRAppMaster（MR任务的主节点）: 一个Job在运行时，会先启动一个进程，这个进程为 MRAppMaster。
负责Job中执行状态的监控，容错，和RM申请资源，提交Task等！

Task(任务)： Task是一个进程！负责某项计算！

Map(Map阶段): Map是MapReduce程序运行的第一个阶段！
Map阶段的目的是将输入的数据，进行切分。将一个大数据，切分为若干小部分！
切分后，每个部分称为1片(split)，每片数据会交给一个Task（进程）进行计算！

Task负责是Map阶段程序的计算，称为MapTask!

在一个MR程序的Map阶段，会启动N（取决于切片数）个MapTask。每个MapTask是并行运行！

Reduce(Reduce阶段)： Reduce是MapReduce程序运行的第二个阶段(最后一个阶段)！
Reduce阶段的目的是将Map阶段，每个MapTask计算后的结果进行合并汇总！得到最终结果！
Reduce阶段是可选的！

Task负责是Reduce阶段程序的计算，称为ReduceTask!
一个Job可以通过设置，启动N个ReduceTask，这些ReduceTask也是并行运行！
每个ReduceTask最终都会产生一个结果！

2.MapReduce中常用的组件
①Mapper: map阶段核心的处理逻辑
②Reducer: reduce阶段核心的处理逻辑
③InputFormat: 输入格式
MR程序必须指定一个输入目录，一个输出目录！
InputFormat代表输入目录中文件的格式！
如果是普通文件，可以使用FileInputFormat.
如果是SequeceFile（hadoop提供的一种文件格式），可以使用SequnceFileInputFormat.
如果处理的数据在数据库中，需要使用DBInputFormat

④RecordReader: 记录读取器
RecordReader负责从输入格式中，读取数据，读取后封装为一组记录(k-v)!

⑤OutPutFormat: 输出格式
OutPutFormat代表MR处理后的结果，要以什么样的文件格式写出！
将结果写出到一个普通文件中，可以使用FileOutputFormat！
将结果写出到数据库中，可以使用DBOutPutFormat！
将结果写出到SequeceFile中，可以使用SequnceFileOutputFormat
⑥RecordWriter: 记录写出器
RecordWriter将处理的结果以什么样的格式，写出到输出文件中！

在MR中数据的流程：
①InputFormat调用RecordReader，从输入目录的文件中，读取一组数据，封装为keyin-valuein对象
②将封装好的key-value，交给Mapper.map()------>将处理的结果写出 keyout-valueout
③ReduceTask启动Reducer，使用Reducer.reduce()处理Mapper写出的keyout-valueout，
④OutPutFormat调用RecordWriter，将Reducer处理后的keyout-valueout写出到文件

⑦Partitioner: 分区器
分区器，负责在Mapper将数据写出时，将keyout-valueout，为每组keyout-valueout打上标记，进行分区！
目的： 一个ReduceTask只会处理一个分区的数据！

六、MapReduce的运行流程概述
需求： 统计/hello目录中每个文件的单词数量，
a-p开头的单词放入到一个结果文件中，
q-z开头的单词放入到一个结果文件中。

例如： /hello/a.txt 200M
hello,hi,hadoop
hive,hadoop,hive,
zoo,spark,wow
zoo,spark,wow
...
/hello/b.txt 100m
hello,hi,hadoop
zoo,spark,wow
...

1.Map阶段(运行MapTask，将一个大的任务切分为若干小任务，处理输出阶段性的结果)
①切片(切分数据)
/hello/a.txt 200M
/hello/b.txt 100m

默认的切分策略是以文件为单位，以文件的块大小(128M)为片大小进行切片！
split0:/hello/a.txt,0-128M
split1: /hello/a.txt,128M-200M
split2: /hello/b.txt,0M-100M

②运行MapTask（进程），每个MapTask负责一片数据
split0:/hello/a.txt,0-128M--------MapTask1
split1: /hello/a.txt,128M-200M--------MapTask2
split2: /hello/b.txt,0M-100M--------MapTask3

③读取数据阶段
在MR中，所有的数据必须封装为key-value
MapTask1,2,3都会初始化一个InputFormat（默认TextInputFormat），每个InputFormat对象负责创建一个RecordReader(LineRecordReader)对象，
RecordReader负责从每个切片的数据中读取数据，封装为key-value.

LineRecordReader: 将文件中的每一行封装为一个key（offset）-value(当前行的内容)
举例：
hello,hi,hadoop----->(0,hello,hi,hadoop)
hive,hadoop,hive----->(20,hive,hadoop,hive)
zoo,spark,wow----->(30,zoo,spark,wow)
zoo,spark,wow----->(40,zoo,spark,wow)

④进入Mapper的map()阶段
map()是Map阶段的核心处理逻辑！ 单词统计! map()会循环调用，对输入的每个Key-value都进行处理！
输入：(0,hello,hi,hadoop)
输出：(hello,1),(hi,1),(hadoop,1)

输入：(20,hive,hadoop,hive)
输出：(hive,1),(hadoop,1),(hive,1)

输入：(30,zoo,spark,wow)
输出：(zoo,1),(spark,1),(wow,1)

输入：(40,zoo,spark,wow)
输出：(zoo,1),(spark,1),(wow,1)

⑤目前，我们需要启动两个ReduceTask,生成两个结果文件，需要将MapTask输出的记录进行分区(分组，分类)
在Mapper输出后，调用Partitioner，对Mapper输出的key-value进行分区，分区后也会排序（默认字典顺序排序）
分区规则： a-p开头的单词放入到一个区
q-z开头的单词放入到另一个区
MapTask1:
0号区： (hadoop,1)，(hadoop,1)，(hello,1),(hi,1),(hive,1),(hive,1)
1号区： (spark,1),(spark,1),(wow,1) ，(wow,1),(zoo,1)(zoo,1)

MapTask2:
0号区： 。。。
1号区： ...

MapTask3:
0号区： (hadoop,1),(hello,1),(hi,1),
1号区： (spark,1),(wow,1),(zoo,1)

2.Reduce阶段
①copy
ReduceTask启动后，会启动shuffle线程，从MapTask中拷贝相应分区的数据！

ReduceTask1: 只负责0号区
将三个MapTask，生成的0号区数据全部拷贝到ReduceTask所在的机器！
(hadoop,1)，(hadoop,1)，(hello,1),(hi,1),(hive,1),(hive,1)
(hadoop,1),(hello,1),(hi,1),


ReduceTask2: 只负责1号区
将三个MapTask，生成的1号区数据全部拷贝到ReduceTask所在的机器！
(spark,1),(spark,1),(wow,1) ，(wow,1),(zoo,1)(zoo,1)
(spark,1),(wow,1),(zoo,1)
②sort

ReduceTask1: 只负责0号区进行排序：
(hadoop,1)，(hadoop,1)，(hadoop,1),(hello,1),(hello,1),(hi,1),(hi,1),(hive,1),(hive,1)
ReduceTask2: 只负责1号区进行排序：
(spark,1),(spark,1),(spark,1),(wow,1) ，(wow,1),(wow,1),(zoo,1),(zoo,1)(zoo,1)

③reduce
ReduceTask1---->Reducer----->reduce(一次读入一组数据)

何为一组数据： key相同的为一组数据
输入： (hadoop,1)，(hadoop,1)，(hadoop,1)
输出： (hadoop,3)

输入： (hello,1),(hello,1)
输出： (hello,2)

输入： (hi,1),(hi,1)
输出： (hi,2)

输入：(hive,1),(hive,1)
输出： （hive,2）

ReduceTask2---->Reducer----->reduce(一次读入一组数据)

输入： (spark,1),(spark,1),(spark,1)
输出： (spark,3)

输入： (wow,1) ，(wow,1),(wow,1)
输出： (wow,3)

输入：(zoo,1),(zoo,1)(zoo,1)
输出： (zoo,3)

④调用OutPutFormat中的RecordWriter将Reducer输出的记录写出
ReduceTask1---->OutPutFormat（默认TextOutPutFormat）------>RecordWriter（LineRecoreWriter）
LineRecoreWriter将一个key-value以一行写出，key和alue之间使用\t分割
在输出目录中，生成文件part-r-0000
hadoop 3
hello 2
hi 2
hive 2

ReduceTask2---->OutPutFormat（默认TextOutPutFormat）------>RecordWriter（LineRecoreWriter）
LineRecoreWriter将一个key-value以一行写出，key和alue之间使用\t分割
在输出目录中，生成文件part-r-0001
spark 3
wow 3
zoo 3

2.运行流程
Map------------------------Reduce阶段
split(切片)----read(读取数据，封装为输入的k-v)---map(Mapper.map())----sort(分区和排序)-----------------copy(拷贝分区数据)-------sort(合并且排序)-----reduce(合并)------write(写出数据)

 

 

 

内容总结

以上是互联网集市为您收集整理的NameNode、DataNode和MapReduce运行原理全部内容，希望文章能够帮你解决NameNode、DataNode和MapReduce运行原理所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---