Hadoop教程：Hadoop核心架構詳細解析

---

通過對Hadoop分布式計算平臺最核心的分布式文件系統HDFS、MapReduce處理過程，以及數據倉庫工具Hive和分布式數據庫Hbase的介紹，基本涵蓋了Hadoop分布式平臺的所有技術核心。

通過這一階段的調研總結，從內部機理的角度詳細分析，HDFS、MapReduce、Hbase、Hive是如何運行，以及基于Hadoop數據倉庫的構建和分布式數據庫內部具體實現。如有不足，后續及時修改。

HDFS的體系架構

整個Hadoop的體系結構主要是通過HDFS來實現對分布式存儲的底層支持，并通過MR來實現對分布式并行任務處理的程序支持。

HDFS采用主從(Master/Slave)結構模型，一個HDFS集群是由一個NameNode和若干個DataNode組成的(在最新的Hadoop2.2版本已經實現多個NameNode的配置-這也是一些大公司通過修改Hadoop源代碼實現的功能，在最新的版本中就已經實現了)。NameNode作為主服務器，管理文件系統命名空間和客戶端對文件的訪問操作。DataNode管理存儲的數據。HDFS支持文件形式的數據。

從內部來看，文件被分成若干個數據塊，這若干個數據塊存放在一組DataNode上。NameNode執行文件系統的命名空間，如打開、關閉、重命名文件或目錄等，也負責數據塊到具體DataNode的映射。DataNode負責處理文件系統客戶端的文件讀寫，并在NameNode的統一調度下進行數據庫的創建、刪除和復制工作。NameNode是所有HDFS元數據的管理者，用戶數據永遠不會經過NameNode。

如圖：HDFS體系結構圖

圖中涉及三個角色：NameNode、DataNode、Client。NameNode是管理者，DataNode是文件存儲者、Client是需要獲取分布式文件系統的應用程序。

文件寫入：

1) Client向NameNode發起文件寫入的請求。

2) NameNode根據文件大小和文件塊配置情況，返回給Client它管理的DataNode的信息。

3) Client將文件劃分為多個block，根據DataNode的地址，按順序將block寫入DataNode塊中。

文件讀取：

1) Client向NameNode發起讀取文件的請求。

2) NameNode返回文件存儲的DataNode信息。

3) Client讀取文件信息。

HDFS作為分布式文件系統在數據管理方面可借鑒點：

文件塊的放置：一個Block會有三份備份，一份在NameNode指定的DateNode上，一份放在與指定的DataNode不在同一臺機器的DataNode上，一根在于指定的DataNode在同一Rack上的DataNode上。備份的目的是為了數據安全，采用這種方式是為了考慮到同一Rack失敗的情況，以及不同數據拷貝帶來的性能的問題。

MapReduce體系架構

MR框架是由一個單獨運行在主節點上的JobTracker和運行在每個集群從節點上的TaskTracker共同組成。主節點負責調度構成一個作業的所有任務，這些任務分布在不同的不同的從節點上。主節點監視它們的執行情況，并重新執行之前失敗的任務。從節點僅負責由主節點指派的任務。當一個Job被提交時，JobTracker接受到提交作業和配置信息之后，就會將配置信息等分發給從節點，同時調度任務并監控TaskTracker的執行。JobTracker可以運行于集群中的任意一臺計算機上。TaskTracker負責執行任務，它必須運行在DataNode上，DataNode既是數據存儲節點，也是計算節點。JobTracker將map任務和reduce任務分發給空閑的TaskTracker，這些任務并行運行，并監控任務運行的情況。如果JobTracker出了故障，JobTracker會把任務轉交給另一個空閑的TaskTracker重新運行。

HDFS和MR共同組成Hadoop分布式系統體系結構的核心。HDFS在集群上實現了分布式文件系統，MR在集群上實現了分布式計算和任務處理。HDFS在MR任務處理過程中提供了文件操作和存儲等支持，MR在HDFS的基礎上實現了任務的分發、跟蹤、執行等工作，并收集結果，二者相互作用，完成分布式集群的主要任務。

Hadoop上的并行應用程序開發是基于MR編程框架。MR編程模型原理：利用一個輸入的key-value對集合來產生一個輸出的key-value對集合。MR庫通過Map和Reduce兩個函數來實現這個框架。用戶自定義的map函數接受一個輸入的key-value對，然后產生一個中間的key-value對的集合。MR把所有具有相同的key值的value結合在一起，然后傳遞個reduce函數。Reduce函數接受key和相關的value結合，reduce函數合并這些value值，形成一個較小的value集合。通常我們通過一個迭代器把中間的value值提供給reduce函數(迭代器的作用就是收集這些value值)，這樣就可以處理無法全部放在內存中的大量的value值集合了。

　　

　　

　　

　　說明：(第三幅圖為同伴自己畫的)

流程簡而言之，大數據集被分成眾多小的數據集塊，若干個數據集被分在集群中的一個節點進行處理并產生中間結果。單節點上的任務，map函數一行行讀取數據獲得數據的(k1,v1)，數據進入緩存，通過map函數執行map(基于key-value)排序(框架會對map的輸出進行排序)執行后輸入(k2,v2)。每一臺機器都執行同樣的操作。不同機器上的(k2,v2)通過merge排序的過程(shuffle的過程可以理解成reduce前的一個過程)，最后reduce合并得到，(k3,v3)，輸出到HDFS文件中。

談到reduce，在reduce之前，可以先對中間數據進行數據合并(Combine)，即將中間有相同的key的對合并。Combine的過程與reduce的過程類似，但Combine是作為map任務的一部分，在執行完map函數后僅接著執行。Combine能減少中間結果key-value對的數目，從而降低網絡流量。

Map任務的中間結果在做完Combine和Partition后，以文件的形式存于本地磁盤上。中間結果文件的位置會通知主控JobTracker，JobTracker再通知reduce任務到哪一個DataNode上去取中間結果。所有的map任務產生的中間結果均按其key值按hash函數劃分成R份，R個reduce任務各自負責一段key區間。每個reduce需要向許多個map任務節點取的落在其負責的key區間內的中間結果，然后執行reduce函數，最后形成一個最終結果。有R個reduce任務，就會有R個最終結果，很多情況下這R個最終結果并不需要合并成一個最終結果，因為這R個最終結果可以作為另一個計算任務的輸入，開始另一個并行計算任務。這就形成了上面圖中多個輸出數據片段(HDFS副本)。

Hbase數據管理

Hbase就是Hadoop database。與傳統的mysql、oracle究竟有什么差別。即列式數據與行式數據由什么區別。NoSql數據庫與傳統關系型數據由什么區別：

Hbase VS Oracle

1、 Hbase適合大量插入同時又有讀的情況。輸入一個Key獲取一個value或輸入一些key獲得一些value。

2、 Hbase的瓶頸是硬盤傳輸速度。Hbase的操作，它可以往數據里面insert，也可以update一些數據，但update的實際上也是insert，只是插入一個新的時間戳的一行。Delete數據，也是insert，只是insert一行帶有delete標記的一行。Hbase的所有操作都是追加插入操作。Hbase是一種日志集數據庫。它的存儲方式，像是日志文件一樣。它是批量大量的往硬盤中寫，通常都是以文件形式的讀寫。這個讀寫速度，就取決于硬盤與機器之間的傳輸有多快。而Oracle的瓶頸是硬盤尋道時間。它經常的操作時隨機讀寫。要update一個數據，先要在硬盤中找到這個block，然后把它讀入內存，在內存中的緩存中修改，過段時間再回寫回去。由于你尋找的block不同，這就存在一個隨機的讀。硬盤的尋道時間主要由轉速來決定的。而尋道時間，技術基本沒有改變，這就形成了尋道時間瓶頸。

3、 Hbase中數據可以保存許多不同時間戳的版本(即同一數據可以復制許多不同的版本，準許數據冗余，也是優勢)。數據按時間排序，因此Hbase特別適合尋找按照時間排序尋找Top n的場景。找出某個人最近瀏覽的消息，最近寫的N篇博客，N種行為等等，因此Hbase在互聯網應用非常多。

4、 Hbase的局限。只能做很簡單的Key-value查詢。它適合有高速插入，同時又有大量讀的操作場景。而這種場景又很極端，并不是每一個公司都有這種需求。在一些公司，就是普通的OLTP(聯機事務處理)隨機讀寫。在這種情況下，Oracle的可靠性，系統的負責程度又比Hbase低一些。而且Hbase局限還在于它只有主鍵索引，因此在建模的時候就遇到了問題。比如，在一張表中，很多的列我都想做某種條件的查詢。但卻只能在主鍵上建快速查詢。所以說，不能籠統的說那種技術有優勢。

5、 Oracle是行式數據庫，而Hbase是列式數據庫。列式數據庫的優勢在于數據分析這種場景。數據分析與傳統的OLTP的區別。數據分析，經常是以某個列作為查詢條件，返回的結果也經常是某一些列，不是全部的列。在這種情況下，行式數據庫反應的性能就很低效。

行式數據庫：Oracle為例，數據文件的基本組成單位：塊/頁。塊中數據是按照一行行寫入的。這就存在一個問題，當我們要讀一個塊中的某些列的時候，不能只讀這些列，必須把這個塊整個的讀入內存中，再把這些列的內容讀出來。換句話就是：為了讀表中的某些列，必須要把整個表的行全部讀完，才能讀到這些列。這就是行數據庫最糟糕的地方。

列式數據庫：是以列作為元素存儲的。同一個列的元素會擠在一個塊。當要讀某些列，只需要把相關的列塊讀到內存中，這樣讀的IO量就會少很多。通常，同一個列的數據元素通常格式都是相近的。這就意味著，當數據格式相近的時候，數據就可以做大幅度的壓縮。所以，列式數據庫在數據壓縮方面有很大的優勢，壓縮不僅節省了存儲空間，同時也節省了IO。(這一點，可利用在當數據達到百萬、千萬級別以后，數據查詢之間的優化，提高性能，示場景而定)

Hive數據管理

Hive是建立在Hadoop上的數據倉庫基礎架構。它提供了一系列的工具，用來進行數據提取、轉換、加載，這是一種可以存儲、查詢和分析存儲在Hadoop中的大規模數據機制。可以把Hadoop下結構化數據文件映射為一張成Hive中的表，并提供類sql查詢功能，除了不支持更新、索引和事務，sql其它功能都支持。可以將sql語句轉換為MapReduce任務進行運行，作為sql到MapReduce的映射器。提供shell、JDBC/ODBC、Thrift、Web等接口。優點：成本低可以通過類sql語句快速實現簡單的MapReduce統計。作為一個數據倉庫，Hive的數據管理按照使用層次可以從元數據存儲、數據存儲和數據交換三個方面介紹。

(1)元數據存儲

Hive將元數據存儲在RDBMS中，有三種方式可以連接到數據庫：

·內嵌模式：元數據保持在內嵌數據庫的Derby，一般用于單元測試，只允許一個會話連接

·多用戶模式：在本地安裝Mysql，把元數據放到Mysql內

·遠程模式：元數據放置在遠程的Mysql數據庫

(2)數據存儲

首先，Hive沒有專門的數據存儲格式，也沒有為數據建立索引，用于可以非常自由的組織Hive中的表，只需要在創建表的時候告訴Hive數據中的列分隔符和行分隔符，這就可以解析數據了。

其次，Hive中所有的數據都存儲在HDFS中，Hive中包含4中數據模型：Tabel、ExternalTable、Partition、Bucket。

Table：類似與傳統數據庫中的Table，每一個Table在Hive中都有一個相應的目錄來存儲數據。例如：一個表zz，它在HDFS中的路徑為：/wh/zz，其中wh是在hive-site.xml中由$指定的數據倉庫的目錄，所有的Table數據(不含External Table)都保存在這個目錄中。

Partition：類似于傳統數據庫中劃分列的索引。在Hive中，表中的一個Partition對應于表下的一個目錄，所有的Partition數據都存儲在對應的目錄中。例如：zz表中包含ds和city兩個Partition，則對應于ds=20140214，city=beijing的HDFS子目錄為：/wh/zz/ds=20140214/city=Beijing;

Buckets：對指定列計算的hash，根據hash值切分數據，目的是為了便于并行，每一個Buckets對應一個文件。將user列分數至32個Bucket上，首先對user列的值計算hash，比如，對應hash=0的HDFS目錄為：/wh/zz/ds=20140214/city=Beijing/part-00000;對應hash=20的，目錄為：/wh/zz/ds=20140214/city=Beijing/part-00020。

ExternalTable指向已存在HDFS中的數據，可創建Partition。和Table在元數據組織結構相同，在實際存儲上有較大差異。Table創建和數據加載過程，可以用統一語句實現，實際數據被轉移到數據倉庫目錄中，之后對數據的訪問將會直接在數據倉庫的目錄中完成。刪除表時，表中的數據和元數據都會刪除。ExternalTable只有一個過程，因為加載數據和創建表是同時完成。世界數據是存儲在Location后面指定的HDFS路徑中的，并不會移動到數據倉庫中。

(3)數據交換

·用戶接口：包括客戶端、Web界面和數據庫接口

·元數據存儲：通常是存儲在關系數據庫中的，如Mysql，Derby等

·Hadoop：用HDFS進行存儲，利用MapReduce進行計算。

關鍵點：Hive將元數據存儲在數據庫中，如Mysql、Derby中。Hive中的元數據包括表的名字、表的列和分區及其屬性、表的屬性(是否為外部表)、表數據所在的目錄等。

Hive的數據存儲在HDFS中，大部分的查詢由MapReduce完成。

總結：

通過對Hadoop分布式計算平臺最核心的分布式文件系統HDFS、MapReduce處理過程，以及數據倉庫工具Hive和分布式數據庫Hbase的介紹。基本涵蓋了Hadoop分布式平臺的所有技術核心。從體系架構到數據定義到數據存儲再到數據處理，從宏觀到微觀的系統介紹，為Hadoop平臺上大規模的數據存儲和任務處理打下基礎

本文來自中國統計網