Hadoop导航:版本、生态圈及MapReduce模型

Hadoop版本和生态圈

1. Hadoop版本

(1) Apache Hadoop版本介绍

Apache的开源项目开发流程:

主干分支:新功能都是在主干分支(trunk)上开发。 特性独有分支:很多新特性稳定性很差,或者不完善,在这些分支的独有特定很完善之后,该分支就会并入主干分支。 候选分支:定期从主干分支剥离,一般候选分支发布,该分支就会停止更新新功能,如果候选分支有BUG修复,就会重新针对该候选分支发布一个新版本,候选分支就是发布的稳定版本。

造成Hadoop版本混乱的原因:

主要功能在分支版本开发:0.20分支发布之后,主要功能一直在该分支上进行开发,主干分支并没有合并这个分支,0.20分支成为了主流。 低版本的后发布:0.22版本发布要晚于0.23版本。 版本重命名:0.20分支的0.20.205版本重命名为1.0版本,这两个版本是一样的,只是名字改变了。

Apache Hadoop版本示意图:

(2) Apache Hadoop版本功能介绍

第一代Hadoop特性:

append:支持文件追加功能,让用户使用HBase的时候避免数据丢失,也是使用HBase的前提。 raid:保证数据可靠,引入校验码校验数据块数目。 symlink:支持HDFS文件链接。 security:hadoop安全机制。 namenode HA:为了避免namenode单点故障情况,HA集群有两台namenode。

第二代Hadoop特性:

HDFS Federation:NameNode制约HDFS扩展,该功能让多个NameNode分管不同目录,实现访问隔离和横向扩展。 yarn:MapReduce扩展性和多框架方面支持不足,yarn是全新的资源管理框架,将JobTracker资源管理和作业控制功能分开,ResourceManager负责资源管理,ApplicationMaster负责作业控制。

0.20版本分支:只有这个分支是稳定版本,其它分支都是不稳定版本。

0.20.2版本(稳定版):包含所有特性,经典版。 0.20.203版本(稳定版):包含append,不包含symlink raid namenodeHA功能。 0.20.205版本/1.0版本(稳定版):包含append security,不包含symlink raid namenodeHA功能。 1.0.1~1.0.4版本(稳定版):修复1.0.0的bug和进行一些性能上的改进。

0.21版本分支(不稳定版):包含append raid symlink namenodeHA,不包含security。

0.22版本分支(不稳定版):包含 append raid symlink那么弄得HA,不包含mapreduce security。

0.23版本分支:

0.23.0版本(不稳定版):第二代的hadoop,增加了HDFS Federation和yarn。 0.23.1~0.23.5(不稳定版):修复0.23.0的一些BUG,以及进行一些优化。 2.0.0-alpha~2.0.2-alpha(不稳定版):增加了namenodeHA 和 Wire-compatiblity功能。

(3) Cloudera Hadoop对应Apache Hadoop版本

2. Hadoop生态圈

Apache支持:Hadoop的核心项目都受Apache支持的,除了Hadoop之外,还有下面几个项目,也是Hadoop不可或缺的一部分。

HDFS:分布式文件系统,用于可靠的存储海量数据。 MapReduce:分布式处理数据模型,可以运行于大型的商业云计算集群中。 Pig:数据流语言和运行环境,用来检索海量数据集。 HBase:分布式数据库,按列存储,HBase使用HDFS作为底层存储,同时支持MapReduce模型的海量计算和随机读取。 Zookeeper:提供Hadoop集群的分布式的协调服务,用于构建分布式应用,避免应用执行失败带来的不确定性损失。 Sqoop:该工具可以用于HBase 和 HDFS之间的数据传输,提高数据传输效率。 Common:分布式文件系统,通用IO组件与接口,包括序列化、Java RPC和持久化数据结构。 Avro:支持高效跨语言的RPC及永久存储数据的序列化系统。

MapReduce模型简介

MapReduce简介:MapReduce是一种数据处理编程模型。

多语言支持:MapReduce可以使用各种语言编写,例如Java、Ruby、Python、C++。 并行本质 :MapReduce 本质上可以并行运行的。

1. MapReduce数据模型解析

MapReduce数据模型:

两个阶段:MapReduce的任务可以分为两个阶段,Map阶段和Reduce阶段。 输入输出:每个阶段都使用键值对作为输入和输出,IO类型可以由程序员进行选择。 两个函数:map函数和reduce函数。

MapReduce作业组成:一个MapReduce工作单元,包括输入数据,MapReduce程序和配置信息。

作业控制:作业控制由JobTracker(一个)和TaskTracker(多个)进行控制的。

JobTracker作用:JobTracker控制TaskTracke上任务的运行,进行统一调度。 TaskTracker作用:执行具体的MapReduce程序。 统一调度方式:TaskTracker运行的同时将运行进度发送给JobTracker,JobTracker记录所有的TaskTracker。 任务失败处理:如果一个TaskTracker任务失败,JobTracker会调度其它TaskTracker上重新执行该MapReduce作业。

2. Map数据流

输入分片:MapReduce程序执行的时候,输入的数据会被分成等长的数据块,这些数据块就是分片。

分片对应任务:每个分片都对应着一个Map任务,即MapReduce中的map函数。 并行处理:每个分片执行Map任务要比一次性处理所有数据时间要短。 负载均衡:集群中的计算机有的性能好有的性能差,按照性能合理的分配分片大小,比平均分配效率要高,充分发挥出集群的效率。
合理分片:分片越小负载均衡效率越高,但是管理分片和管理map任务总时间会增加,需要确定一个合理的分片大小,一般默认为64M,与块大小相同。

数据本地优化:map任务运行在本地存储数据的节点上,才能获得最好的效率。

分片=数据块:一个分片只在单个节点上存储,效率最佳。
分片>数据块:分片大于数据块,那么一个分片的数据就存储在了多个节点上,map任务所需的数据需要从多个节点传输,会降低效率。

Map任务输出:Map任务执行结束后,将计算结果写入到本地硬盘,不是写入到HDFS中。

中间过渡:Map的结果只是用于中间过渡,这个中间结果要传给Reduce任务执行,reduce任务的结果才是最终结果,map中间值最后会被删除。 map任务失败:如果map任务失败,会在另一个节点重新运行这个map任务,再次计算出中间结果。

3. Reduce数据流

Reduce任务:map任务的数量要远远多于Reduce任务。

无本地化优势:Reduce的任务的输入是Map任务的输出,reduce任务的绝大多数数据本地是没有的。 数据合并:map任务输出的结果,会通过网络传到reduce任务节点上,先进行数据的合并,然后在输入到reduce任务中进行处理。 结果输出:reduce的输出直接输出到HDFS中。 reduce数量:reduce数量是特别指定的,在配置文件中指定。

MapReduce数据流框图解析:

单个MapReduce的数据流:

多个MapReduce模型:


没有Reduce程序的MapReduce数据流:


Map输出分区:多个reduce任务,每个reduce任务都对应着一些map任务,我们将这些map任务根据其输入reduce任务进行分区,为每个reduce建立一个分区。

分区标识:map结果有许多种类键,相同的键对应的数据传给一个reduce,一个map可能会给多个reduce输出数据。 分区函数:分区函数可以由用户定义,一般情况下使用系统默认的分区函数partitioner,该函数通过哈希函数进行分区。

混洗:map任务和reduce任务之间的数据流成为混。

reduce数据来源:每个reduce任务的输入数据来自多个map map数据去向:每个map任务的结果都输出到多个reduce中

没有Reduce:当数据可以完全并行处理的时候,就可以不适用reduce,只进行map任务。

4. Combiner 引入

MapReduce瓶颈:带宽限制了MapReduce执行任务的数量,Map和Reduce执行过程中需要进行大量的数据传输。

解决方案:合并函数Combiner,将多个Map任务输出的结果合并,将合并后的结果发送给Reduce作业。

5. HadoopStreaming

Hadoop多语言支持:Java、Python、Ruby、C++

多语言:Hadoop允许使用其它语言写MapReduce函数。
标准流:因为Hadoop可以使用UNIX标准流作为Hadoop和应用程序之间的接口,因此只要使用标准流,就可以进行MapReduce编程。

Streaming处理文本:Streaming在文本处理模式下,有一个数据行视图,非常适合处理文本。

Map函数的输入输出:标准流一行一行的将数据输入到Map函数,Map函数的计算结果写到标准输出流中。 Map输出格式:输出的键值对是以制表符分隔的行,以这种形式写出的标准输出流中。 Reduce函数的输入输出:输入数据是标准输入流中的通过制表符分隔的键值对行,该输入经过了Hadoop框架排序,计算结果输出到标准输出流中。

6. Hadoop Pipes

Pipes概念:Pipes是MapReduce的C++接口

理解误区:Pipes不是使用标准输入输出流作为Map和Reduce之间的Streaming,也没有使用JNI编程。 工作原理:Pipes使用套接字作为map和reduce函数进程之间的通信。
;