以下为《hadoop复习》的无排版文字预览，完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。

大数据的特点：

巨大的数据量

多结构化数据

增长速度快

价值密度高

使用hadoop的好处

方便：Hadoop运行在由一般商用机器构成的大型集群上，或者云计算服务上。

健壮：Hadoop致力于在一般商用硬件上运行，其架构假设硬件会频繁失效，Hadoop可以从容的处理大多数此类故障。

可扩展：Hadoop通过增加集群节点，可以线性地扩展以处理更大的数据集。

简单：Hadoop允许用户快速编写高效的并行代码。

1. hadoop基本组成及其作用

common

支持其他Hadoop模块的公共实用程序。

hdfs

提供对应用程序数据的高吞吐量访问的分布式文件系统。

yarn

作业调度和集群资源管理框架。

mapreduce

一种基于yarn的大型数据集并行处理系统。

2.hadoop集群启动后，基本的进程包括：namenode、datanode、secondarynamenode、resourcemanager、nodemanager

NameNode用于存储文件系统的元数据（Metadata），元数据包括：

文件信息（name、updates、replication factor（副本因子）等）

文件块的信息和位置

文件的访问权限

集群中文件的数量

集群中DataNode的数量

NameNode的功能：

存储HDFS的元数据（Metadata）

维护文件系统命名空间

执行文件系统的命名空间操作，比如打开、关闭、重命名文件或目录等

把HDFS的状态存储到镜像文件（fsimage）中

把文件系统的变化追加存储在日志文件（edits）中

启动时将fsimage和edits文件合并

将数据块副本保存在不同的机架上以提高容错性

DataNode是文件系统的工作节点。他们根据需要存储并检索数据块（受客户端或NameNode调度），并定期向NameNode发送它们所存储块的列表。

DataNode的功能：

根据客户端或者是NameNode的调度存储和检索数据

通过NameNode的指令对块进行创建、删除、复制

在DataNode的复制过程中提供同步发送/接收的操作（复制流水线）

resourcemanager：yarn范畴，管理nodemanager，负责指派每个nodemanager要分配资源的情况。

nodemanager：yarn范畴，负责具体的资源分配（cpu、内存），体现了“数据不动，计算动”的特点

secondarynamenode：hdfs范畴，可以对namenode上的元数据做checkpoint，提高namenode的运行效率，注意：snn不能直接代替namenode，不是namenode的热备！

3. Block概念

把文件上传到HDFS中，第一步是数据的划分，这个是真实物理上的划分，数据文件上传到HDFS后，要把文件划分成若干块，每块的大小可以有hadoop-default.xml里配置选项进行划分。这里默认每块128MB，一个文件被分成多个128MB大小的小文件，最后一个可能小于128MB。注意：128MB只是默认，是可以更改的，hdfs-site.xml中可修改如下选项。

dfs.block.size

***

The default block size for new files.

数据的划分有冗余，为了保证数据的安全，上传的文件是被复制成3份，当一份数据宕掉，其余的可以即刻补上。当然这只是默认。

dfs.replication

3

Default block replication.The actual number of replications can be specified

when the file is created.The default is used if replication is not specified in create time.

Block切分策略

HDFS数据块（block），主要从三个方面来掌握这部分的知识。

（1）文件被切分成固定大小的数据块的策略

默认数据块大小为128MB，可以通过配置文件来进行配置；

若文件大小不到128MB，则单独存成一个block。

（2）数据块如此之大的原因，如果数据块太小，那么系统需要花费很多时间来进行数据块的寻找上，寻道时间过长，影响了系统的吞吐率。所以大的数据块切分策略可以保证数据传输时间超过寻道时间，保证系统高吞吐率。

（3）一个文件存储方式

按大小被切分成若干个block，存储到不同节点上；

默认情况下每个block有三个副本，这个副本数量也是可以调整的。

Hadoop的各种启动命令，会用并理解各个命令的用途：

Start-all.sh

Start-dfs.sh

Start-yarn.sh

hadoop-daemons.sh

hadoop-daemon.sh

Hadoop的各个配置文件，并理解每个文件的主要配置项：

hadoop-env.sh：/

core-site.xml：配置hdfs对外提供服务的接口、配置存放Hadoop运行时需要的文件的路径

hdfs-site.xml：副本数量和块的大小

mapred-site.xml：配置mapreduce资源管理服务的框架

yarn-site.xml：配置resourcemanager进程的节点、配置mapreduce的服务

4.HDFS写流程

HDFS是一个分布式文件系统，在HDFS上写文件的过程与我们平时使用的单机文件系统非常不同，从宏观上来看，在HDFS文件系统上创建并写一个文件，流程如图所示。

/

图 HDFS写数据流程示意图

图中HDFS写数据具体过程描述如下：

首先HDFS Client创建DistributedFileSystem对象通过RPC调用NameNode去创建一个没有blocks关联的新文件。创建前，NameNode会检验当前要写入的文件是否存在，客户端是是否有权限创建等，校验通过， namenode就会记录下新文件，否则就会抛出IO异常。

检验通过后，在自己的元数据中为新文件分配文件名，同时为此文件分配数据块的备份数（此备份数可以在搭建时的参数文件中设定，也可以后来改变，系统默认3份），并为不同的备份副本分配不同的DataNode，并生成列表，将列表返回客户端。

Client调用DistributedFileSystem对象的create方法，创建一个（FSDataOutputStream）文件输出流对象，协调NameNode和DataNode，开始写数据到DFSOutputStream对象内部的Buffer中，然后数据被分割成一个个小的packet（数据在向DataNode传递时以Packet最小单位），然后排成队列data quene。DataStreamer会去处理接受data quene，它先询问NameNode这个新的Block最适合存储的在哪几个DataNode里，把他们排成一个Pipeline。

DataStreamer把packet按队列输出到管道的第一个DataNode中，同时把NameNode生成的列表也带给第一个DataNode，当第1个packet传递完成时（注意是packet而不是整个数据传递完成），第一个DataNode传递信息给第二个DataNode开始把传递完成的packet以管道的形式再传递给第二个DataNode，同时把除掉第一个DataNode节点信息的列表把传给第二个DataNode，依此类推，直到传递到最后一个DataNode，它会返回Ack到前一个DataNode，最终由Pipeline中第一个DataNode节点将Pipeline ack发送给Client。

完成向文件写入数据，Client在文件输出流（FSDataOutputStream）对象上调用close方法，关闭流，调用DistributedFileSystem对象的complete方法，通知NameNode文件写入成功。

5.hdfs读流程

/

图中HDFS读数据具体过程描述如下：

首先调用FileSystem对象的open方法，其实是一个DistributedFileSystem的实例

DistributedFileSystem通过rpc获得文件的第一批个block的locations，同一block按照副本数会返回多个locations，这些locations按照hadoop拓扑结构排序，距离客户端近的排在前面.

前两步会返回一个FSDataInputStream对象，该对象会被封装成DFSInputStream对象，DFSInputStream可以方便的管理datanode和namenode数据流。客户端调用read方法，DFSInputStream最会找出离客户端最近的datanode并连接（参考第一小节）。

数据从datanode源源不断的流向客户端。

如果第一块的数据读完了，就会关闭指向第一块的datanode连接，接着读取下一块。这些操作对客户端来说是透明的，客户端的角度看来只是读一个持续不断的流。

如果所有的块都读完，这时就会关闭掉所有的流。

如果在读数据的时候，DFSInputStream和datanode的通讯发生异常，就会尝试正在读的block的排第二近的datanode，并且会记录哪个datanode发生错误，剩余的blocks读的时候就会直接跳过该datanode。DFSInputStream也会检查block数据校验和，如果发现一个坏的block,就会先报告到namenode节点，然后DFSInputStream在其他的datanode上读该block的镜像。

该设计的方向就是客户端直接连接datanode，namenode责为每一个block提供最优的datanode，namenode仅仅处理block location的请求，这些信息都加载在namenode的内存中，hdfs通过datanode集群可以承受大量客户端的并发访问。

6.hadoop目录结构

bin：hadoop提供的操作hdfs、yarn、mapreduce的命令

Hadoop

etc：存放的是hadoop的配置文件

libexec：配置hadoop的参数的

logs：通过其中的日志可以了解系统各进程的运行状况，以及出错信息；

sbin:对hadoop集群启动或停止进行管理的一些命令

share：当前版本hadoop的文档，以及相关的jar包

7.HDFS基本命令操作

hadoop fs [ls|put|get|rm|mv|cp|copyFromLocal |moveFromLocal |cat |mkdir ]

hdfs的可靠性：

（1）HDFS架构有一个名称节点和多个数据节点

（2）名称节点通过心跳机制检测数据节点是否宕机，数据节点通过发送块报告，告知名称节点所保存的数据。

（3）Hadoop在写入数据到HDFS上时，会为每一个固定长度（默认是512字节）的数据执行一次“校验和”，“校验和”的值与数据一起保存起来。

（4）第二名称节点时刻监控名称节点的运行状态，作为名称节点的检查点存在。

/

/

8.HDFS的javaAPI操作

(1)编写Java程序实现在HDFS的根目录下创建目录/dir;

public class hdfs_demo {

public static void main(String[] args) throws Exception{

Configuration conf=new Configuration();

conf.set("fs.defaultFS", "hdfs://192.168.56.3:8020");

FileSystem fs=FileSystem.get(conf);

fs.mkdirs(new Path("/dir"));

}

(2)编写代码实现从hdfs获取文件到本地

public static void main(String[] args) throws Exception{

Configuration conf=new Configuration();

conf.set("fs.defaultFS", "hdfs://192.168.56.3:8020");

FileSystem fs=FileSystem.get(conf);

FSDataInputStream fis=fs.open(new Path("/hadoop.test"));

FileOutputStream fos=new FileOutputStream("d:/hadoop.test");

IOUtils.copyBytes(fis,fos,1024);

}

(3) 编写java程序实现copyFromLocal的功能。

将本地/root/hadoop.test文件上传到HDFS的/dir目录下。

public class hdfs_demo {

public static void main(String[] args) throws Exception{

Configuration conf=new Configuration();

conf.set("fs.defaultFS", "hdfs://192.168.56.3:8020");

FileSystem fs=FileSystem.get(conf);

fs.copyFromLocalFile(new Path("/hadoop.test"), new Path("/dir"));

}

(4)编写Java程序在本地终端打印HDFS中hadoop.test文件内容。

public static void main(String[] args) throws Exception{

Configuration conf=new Configuration();

conf.set("fs.defaultFS", "hdfs://192.168.56.3:8020");

FileSystem fs=FileSystem.get(conf);

FSDataInputStream fis=fs.open(new Path("/hadoop.test"));

IOUtils.copyBytes(fis,System.out,1024);

}

(5) 删除文件（夹）

private static void delete_fromHDFS() throws IOException {

//创建一个Configuration对象,此对象作用是读取所有的*-default.xml

Configuration conf=new Configuration();

//配置fs.defaultFS

conf.set("fs.defaultFS", "hdfs://192.168.56.3:8020");

//创建一个文件系统对象(对于hdfs来说返回的是一个DistributeFileSystem)

FileSystem fs=FileSystem.get(conf);

//delete方法第二个参数：是否级联

fs.delete(new Path("/testfromwindows.txt"), true);

}

(6)查看指定路径下的文件信息

/**

* 获取指定路径下的文件信息

* @throws IOException

* @throws FileNotFoundException

*/

private static void filestatus() throws IOException, FileNotFoundException {

//创建一个Configuration对象,此对象作用是读取所有的*-default.xml

Configuration conf=new Configuration();

//配置fs.defaultFS

conf.set("fs.defaultFS", "hdfs://192.168.56.3:8020");

//创建一个文件系统对象(对于hdfs来说返回的是一个DistributeFileSystem)

FileSystem fs=FileSystem.get(conf);

//返回指定路径下（“/”）的文件的状态信息

FileStatus[] fsArr=fs.listStatus(new Path("/"));

for(FileStatus fst:fsArr) {

String filename=fst.getPath().getName();

long length=fst.getLen();

short r=fst.getReplication();

long bs=fst.getBlockSize();

System.out.println(filename+" "+length+" "+r+" "+bs);

}

}

(7)级联获取指定路径下的文件信息，包括文件的块的信息

/**

* 级联获取指定路径下的文件信息，包括文件的块的信息

* @throws IOException

* @throws FileNotFoundException

*/

private static void loop() throws IOException, FileNotFoundException {

//创建一个Configuration对象,此对象作用是读取所有的*-default.xml

Configuration conf=new Configuration();

//配置fs.defaultFS

conf.set("fs.defaultFS", "hdfs://192.168.56.3:8020");

//创建一个文件系统对象(对于hdfs来说返回的是一个DistributeFileSystem)

FileSystem fs=FileSystem.get(conf);

//级联获取所有文件的LocatedFileStatus

RemoteIterator listFiles = fs.listFiles(new Path("/"), true); 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。 Path("maxorder/input"));

Path outPath=new Path("maxorder/output");

FileOutputFormat.setOutputPath(job, outPath);

boolean flag = job.waitForCompletion(true);

if (flag) {

System.out.println("执行成功");

}else {

System.out.println("执行失败");

}

}

}

11. 附加内容

关于Combiner:

Combiner是一个继承了Reducer的类

它的作用是当map生成的数据过大时，可以精简压缩传给reduce的数据

多数情况下Combiner和reduce处理的是同一种逻辑

通过Combiner的合并计算，减少了传入reduce的数据量，从而提高了执行效率

整个MapReduce作业的资源分配是由yarn来管理的

[文章尾部最后500字内容到此结束,中间部分内容请查看底下的图片预览]请点击下方选择您需要的文档下载。

1. 托福听力学科分类（完全修正版）
2. ch1 统计的含义、统计学的研究对象、统计学的产生与发展
3. HDFS知识点
4. 英语期末考试题电子版
5. 6月大学英语四级考试真题
6. PAMAM反应路线
7. 最新论文模版（）
8. 外文翻译---高层结构与钢结构
9. 英语大一上学期测试
10. 多恩布什宏观经济学课后习题答案1
11. Moduel9 Unit1 Unit1 Reading 教学设计
12. 10月8日-10月15日长难句
13. ann
14. 四级词汇摘抄
15. 英语124单词（）1--30
16. The clinicopathological signifcance
17. Unit3Lifeinthefuture
18. 全新版大学英语(第二版)综合教程1课后习题答案
19. 课件Making the news
20. 动态图代码内容

以上为《hadoop复习》的无排版文字预览，完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。