简介：这里对之前的hdfs、yarn、MR相关概念做一个总结，方便快速阅读理解。
一、HDFS
HDFS是分布式文件系统，有高容错性的特点，可以部署在价格低廉的服务器上，主要包含namenode和datanode。
Namenode是hdfs中文件目录和文件分配管理者，它保存着文件名和数据块的映射管理，数据块和datanode列表的映射关系。其中文件名和数据块的关系保存在磁盘上，但是namenode上不保存数据块和datanode列表的关系，该列表是通过datanode上报建立起来的。
Namenode上的有三种交互，1、client访问namenode获取的相关datanode的信息。2、datanode心跳汇报当前block的情况。3、secondarynamenode做checkpoint交互。
DataNode它负责实际的数据存储，并将数据息定期汇报给NameNode。DataNode以固定大小的block为基本单位组织文件内容，默认情况下block大小为128MB。当用户上传一个大的文件到HDFS上时，该文件会被切分成若干个block，分别存储到不同的DataNode；同时，为了保证数据可靠，会将同一个block以流水线方式写到若干个（默认是3，该参数可配置）不同的DataNode上。这种文件切割后存储的过程是对用户透明的。
CheckPoint的时间点
fs.checkpoint.size 规定edits文件的最大值，一旦超过这个值则强制checkpoint，不管是否到达最大时间间隔。默认大小是64M。
流程解析
1、每隔两个小时，或者edits文件超过最大值时，SecondaryNameNode通知NameNode切换edits，
此时在NameNode中生成一个名为edits.new的新edits，在fsimage被替换之前，所有的操作都会写到edits.new中。
2、SecondaryNameNode通过Http协议复制edits和fsimage到SecondaryNameNode中
3、SecondaryNameNode将fsimage导入内存，用edits中的操作，生成新的fsimage.ckpt文件
4、SecondaryNameNode将新的fsimage复制，并通过http Post传给NameNode
5、NameNode将接收到的新的fsimage.ckpt替换掉之前的fsimage,同时将新的edits.new重命名为edits，将之前的替换掉
SecondaryNameNode，用来辅助namenode进行元数据的合并，并且传回到namenode。
二、YARN
YARN主要包括几种角色
ResourceManager(RM)：主要接收客户端任务请求，接收和监控NodeManager(NM)的资源情况汇报，负责资源的分配与调度，启动和监控ApplicationMaster(AM)，一个集群只有一个。
NodeManager：主要是节点上的资源管理，启动Container运行task计算，上报资源、container情况给RM和任务处理情况给AM，整个集群有多个。
ApplicationMaster：主要是单个Application(Job)的task管理和调度，向RM进行资源的申请，向NM发出launch Container指令，接收NM的task处理状态信息。每个应用有一个。
Container：是YARN中资源的抽象，它封装了某个节点上一定量的资源（CPU和内存两类资源）。
三、MapReduce
MapReduce是hadoop的一种离线计算框架，适合离线批处理，具有很好的容错性和扩展性，适合简单的批处理任务。缺点启动开销大，任务多使用磁盘效率比较低。
一个MapReduce 作业通常会把输入的数据集切分为若干独立的数据块，由 map任务（task）以完全并行的方式处理它们。框架会对map的输出先进行排序，然后把结果输入给reduce任务。通常作业的输入和输出都会被存储在文件系统中。整个框架负责任务的调度和监控，以及重新执行已经失败的任务。通常，MapReduce框架和分布式文件系统是运行在一组相同的节点上的，计算节点和存储节点通常在一起。这种配置允许框架在那些已经存好数据的节点上高效地调度任务，这可以使整个集群的网络带宽被非常高效地利用。
一个MapReduce任务包含一般会这几个部分：Map、Shuffle（Sort、Partitioner、 Combiner、Merge、Sort）、Reduce。
Mapreduce工作原理如下图：
MR注意：重要
1）map数决定了任务的并行度，即影响作业的计算速度，默认一个数据块一个map
2）Shuffle操作具体有（Sort、Partitioner、 Combiner、Merge）
3）不是map进程完成后才能进入reduce，可能map完成60%、reduce已经开始了，如图中shuffle操作，本机数据先做了一次shuffle操作。
4）MR运行慢根本原因：对作业的map结果进行sort排序（有时根本不需要sort）、数据不停地落在磁盘上（读写慢，高消耗IO）。这也是spark优于MR的地方。
————————————————
版权声明：本文为CSDN博主「skwang_君永夜」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_32641659/article/details/87966861