大数据相关概念和hdfs

大数据

• 概述

  •  大数据是新处理模式才能具备更多的决策力，洞察力，流程优化能力，来适应海量高增长率，多样化的数据资产。

• 大数据面临的问题

  •  怎么存储海量数据(kb，mb，gb，tb，pb，eb，zb)
  • 怎么对数据进行降噪处理(对数据进行清洗，使得数据变废为宝，提取有用的数据，减少不必要的数据资源空间的释放)

• 处理方案

• hadoop 是一种分布式文件存储系统来解决存储的问题，其中hdfs用来解决数据存储问题，mapReduce来解决如何进行建造处理

• hadoop是什么？　

  • 由来？

    •  根据google发布的3篇文章

    1. google　File System

    2. Google Bigtable

    3. Google MapReduce   获得启发  hadoop之父 Doug Cutting 用java语言解决大数据所面临的问题 

  • 概述
    • hadoop 是apache基金会的一款开源的分布式的基础架构，它实现了高容错率，乃至高吞吐量，低成本，由于hadoop用java语言编写可以用在linux是非常可靠的，hadoop核心设计是hdfs和mapReudce以及Hbase分别对应这又google3篇文章，解决了大数据所面临的问题
      • hdfs 分布式文件存储系统
      • mapreduce 分布式计算框架  只需要少量的java代码 就能实现分布式计算
      • hbase 基于HDFS 的列式存储的NoSql
  •  hdfs
    • 分布式文件存储系统，其中有nameNode，dataNode，block，nameNode负责管理着dataNode，dataNode负责接收读写请求和nameNode协调工作，负责block快的创建和复制，nameNode存储着元数据，datanode和block中的映射关系　　

• • 　nameNode  存储元数据 (用来描述数据的数据)，负责管理dataNode 与dataNode 协调
  •    dataNode 负责nameNode的读写请求，用来存储数据块的节点，向nameNode报告自己的快信息
  •    block 数据快  hdfs 最小默认128mb 为一块，没一块默认有3个副本
  •    rack  机架 用来放置存储节点，提高容错率，高吞吐量。优化存储和计算

• 　　nameNode和SecondaryNameNode 之间的关系

　　　 fsimage  元数据的备份  会被加载到内存当中去

　　　 edits  读写请求的日志文件

　　　nameNode 会在启动的时候加载 fsimage  和   edits  ，这2个文件不会凭空出现，所以要格式化nameNode 

　　　当用户在操作文件时，由于edits的增加，导致了nameNode启动会越来越慢，所以就出现了SecondaryNameNode  可以简单来说，他是nameNode的一个副本，当到达检查点的时候，也就是hdfs 默认 1个小时  或者  日志操作量级达到100w条的时候，此时SecondaryNameNode会将fsimage和edits加载过来进行合并，此时，若是有读写请求过来的时候会被加载到一个叫edits-inprogess的文件进行记录读写请求，fsimage和edits合并之后会成为一个新的fsimage，而此时edits-inprogess会改名为edits

• • 小问题  ： 为什么 一个块的大小默认是128mb 
    • 在hadoop 1x 的时候默认快的大小为64  但是随着硬盘的变大 在hadoop2x的时候 快的大小  变成了128m ，此时默认最佳状态是寻址时间是传输速度的100/1
• 　mapReduce
  • •  概念 ： 分布式计算框架。用于大规模的数据计算，采用并行计算，充分的利用了dataNode的物理存储机制，采用了(Map)映射（Reduce）规约，他极大的方便了程序员不会分布式并行编程的情况下，将自己的程序运行在分布式系统上 ，思想就是 将一个键值对 放在map 里 然后 使用Reduce 进行统筹规划，保证所有的映射的键值队中每一个共享的键组
  • mapReduce最擅长做的就是分而治之 ；
    • 分    就是把一个庞大复杂的任务分解成若干个简单的任务来处理，简单的任务包含有3层
    1. 相对于原来的数据要大大缩小
    2. 所有的任务中并行计算，且互不干扰
    3. 就近计算原则
    • 治之　Reduce 负责对map计算的结果进行统筹汇总
    • 要实现mapReduce 首先得借助一个资源调度平台  Yarn
• Yarn
  • • 概念　Yarn 作为资源调度平台 ，其中有一个最大的管理者，ResourceManager 　负责着资源的统筹分配，还有各个节点的管理着，NodeManager 负责向ResourceManager进行资源状态的报告，在NodeManager 中还有一个 MRAppMaster ，负责 申请计算资源，协调计算任务并和NodeManager一起执行监视任务
    1. ResourceManager  负责对集群的整体资源和计算做统筹规划
    2.  NodeManager 管理主机上的计算组员，负责报告自身的状态信息
    3. MRAppMaster  负责向ResourceManager负责申请资源，协调计算任务
    4. YarnChild  做实际的计算任务
    5. Container 计算资源的抽象单位