【图解大数据技术】Hadoop、HDFS、MapReduce、Yarn
Hadoop
Hadoop是Apache开源的分布式大数据存储与计算框架，由HDFS、MapReduce、Yarn三部分组成。广义上的Hadoop其实是指Hadoop生态圈，包括的组件就不只是HDFS、MapReduce、Yarn，还包括Spark、Flink、Zookeeper、Sqoop、Hive、HBase等工具，但是我们讨论的不是Hadoop生态圈。
由于要解决大数据量的存储和计算问题，因此数据不能再存储在关系型数据库，而是存储在分布式文件系统HDFS中；然后通过分布式离线计算框架MapReduce进行计算；而Yarn则是负责资源调度，也就是决定计算任务调度到哪些节点上执行。
HDFS
HDFS是一个分布式文件系统，用于存储海量的文件数据。其优点是可以存储达PB级别的文件数据，百万级别以上的文件数量；而缺点则是不适合低延时数据访问，并且不支持文件修改，只支持追加。
HDFS架构
HDFS一共由四部分组成：Client、NameNode、DataNode、SecondaryNameNode。
- Client：负责文件上传之前的文件切分，切分好后传输每一个文件数据块到DataNode，上传数据块前询问NameNode该数据块上传的目标DataNode；从HDFS读取文件前询问NameNode返回文件元数据信息，再根据元数据从DataNode读取每个数据块。
- NameNode：接受DataNode的注册，存储文件的元数据信息，配置副本策略等。
- DataNode：存储文件数据块。
- SecondaryNameNode：给NameNode进行FsImage（磁盘中的元数据）和Edits（内存中的元数据，还未写入FsImage，在Edits中进行追加写记录日志）的合并。
写文件流程
文件写入流程如下：
客户端在上传文件时会进行文件切割，把文件切割成一个一个的数据块block，然后分别上传每个数据块；上传每个数据块时，询问NameNode得知该数据块传输到哪些DataNode上；然后根据NameNode返回结果，上传数据块到DataNode。
读文件流程
文件读取流程如下：
NameNode记录了文件元数据信息，比如哪个block存储在哪些DataNode。Client读取文件时，请求NameNode获取元数据信息，就可以根据元数据信息请求对应的DataNode读取对应的每个block。
MapReduce
MapReduce简介
MapReduce是一个分布式离线计算框架，专门用于处理大数据场景中与实时性无关的一些离线计算任务。
MapReduce的数据输入一般是HDFS，然后经过InputFormat进行输入格式化，变成<K,V>格式；然后执行用户实现的Mapper类型的map方法，进行数据映射，映射处理的结果也是<K,V>格式；然后执行一个shuffle过程，对映射结果进行按key进行分组分区，把同一区域的所有KV发送到同一个Reducer，由一个节点进行；Reducer对同一个key分组下的所有value进行聚合操作；然后Reducer的输出结果再经过OutputFormat进行格式化处理后进行结果输出。
MapReduce整体流程
下面是MapReduce运行的整体流程：
- client从HDFS读取指定文件的元数据，然后根据文件大小和block大小计算切片信息，得出切片规划文件，然后提交job到Yarn指定的路径，job中包括切片规划文件和jar包等，这个jar包包含了用户编写的Mapper和Reducer。
- Yarn根据切片数量计算MapTask的数据量，一般一个block对应一个MapTask，然后把对应的task和程序启动脚本分派给block所在的节点上运行。
- 每个节点执行对应的MapTask，默认的InputFormat读取每一行数据，然后以该行数据在文件中的起始字节偏移量为key，行数据本身作为value，调用Mapper的map方法。
- Mapper的map方法进行数据映射处理，那是用户自己实现的逻辑。
- 对计算结果进行Shuffle处理，根据key进行分组排序，然后对所有的key进行分区处理，同一分区的所有key会指派给一个ReduceTask执行，每个ReduceTask又会分派给一个节点执行。
- 执行ReduceTask的节点下载分区数据，然后对不同MapTask得出的同一partition进行合并并排序。
- 调用Reducer的reduce方法进行相应的聚合计算，这里也是由用户自己实现。
- OutputFormation把Reducer产生的结果做格式化处理，默认会写为行数据。
- 最后把结果存入HDFS中。
Yarn
Yarn是负责资源调度的，由Yarn管理每个Node节点然后进行任务分派，也就是把MapTask和ReduceTask分配给对应的Node。
yarn有ResourceManager和NodeManager两角色。ResourceManager负责监控NodeManager，接收客户端提交的job，然后进行资源分配调度；NodeManager负责管理单个节点上的资源，并执行ResourceManager的命令，启动并运行相应的MapTask和ReduceTask。
然而真正进行任务分配的并不是ResourceManager，ResourceManager每接收一个job，会选一个NodeManager来启动一个ApplicationMaster，由ApplicationMaster向ResourceManager申请资源并发送任务和启动脚本到对应的NodeManager。
而task都是在Container中运行，Container是节点资源的抽象（比如cpu、内存等），也就是限制了该task只能使用这么多资源，避免一个task占满整个node的所有资源。