Python海量数据处理之_Hadoop(二)概念和原理

1. 说明

?Hadoop是个分布式的架构,它将海量数据处理工作分配到集群中的多个机器上运行。前篇介绍了Hadoop的安装,在安装过程中会产生一些疑问,比如NameNode是什么东西?本篇就以问题&解答的方式介绍Hadoop的相关概念及其原理。

2. NameNode,DataNode,以及Secondary NameNode

?把Hadoop分为HDFS和MapReduce。HDFS为数据提供了存储,MapReduce为数据提供了计算。
?NameNode,DataNode以及Secondary NameNode都是属于存储部分,NameNode主要负责管理元信息,如文件名,目录结构,属性,数据块存储位置等等。DataNode负责数据块的具体存取。SecondaryNameNode是NameNode的辅助工具,有两个作用,一是镜像备份,二是日志与镜像的定期合并,注意:它并不是NameNode的备份。

3. ResourceManager与NodeManager

?ResourceManager和NodeManager属于计算部分,ResourceManager负责集群中所有算力的统一管理和分配,NodeManager是每台机器上的代理,负责容器管理,并监控它们的资源使用情况,以及向ResourceManager提供资源使用报告。

4. MapReduce与YARN

?Hadoop将MapReduce框架升级到YARN(也叫MapRecudeV2)。原来MapReduce分为JobTracker和NodeTracker,分别用于分配集群中所有任务和管理单机任务;而YARN改为ResourceManager和NodeManager,也分别针对主按和单机,但YARN对每个应用都建立了ApplicationMaster,它可以分布在ResourceManager以外的机器上,从而缓解了主控的压力。

5. Master与slave

?Master和salve指的是集群中各台主机主控或从属的特性,即它们在hadoop中扮演的角色(每台主机就好比一个人),一个集群中只有一个master(领导小组),它可以分布在一台或多台机器上(好比主管存储的领导和主管计算的领导可以同一个人,也可以是不同的人),
?Salve(群众)可以有很多,slave机器上主要部署NodeManager和DataNode(作为群众干具体活,一个群众可以干一样或多样工作,全部工作由群众分担),而在Master上部署NameNode和ResourceManager(作为领导分配任务),master如有多余算力,也可部署NodeManager和DataNode(领导也可以干点具体活)。
?如果只有一台机器,可以把所有功能都让它实现,这就是伪分布式,如果机器多负荷大,可以把每种工作分配给专门的机器。需要注意的是管理的角色NameNode和ResourceManager只能各有一个。就好像一样事儿好几个领导同时管就乱了。

6. 集群中多台服务器如何配置

?无论是master还是slave都需要安装JDK和Hadoop,以及配置ssh及环境变量,但配置文件和启动方式不同;并且只在master上做格式化。

7. 程序如何读取数据

?分布式文件系统,算力和存储都分布在多个机器上。NameNode为数据存储提供统一的接口以便读写,具体在core-site.xml中设置。
?在程序层面,通过Hadoop的数据流(streaming)进行流式处理,它有点像linux的管道机制,程序从标准输入stdin读入,写入标准输出stdout(在处理过程中请尽量保持流式,不要一次load太多到内存)。相对来说它更适合处理像字符串一样的流式数据,而非大规律数据的统计。除了直接读数据流,Python还提供封装工具,如mrjob,dumbo,hadoopy,pydoop等等,使读写更加方便。

8. 程序如何切分运算量

?Map可以开一个到多个,reduce也可以开一个到多个,具体根据业务逻辑分配。

9. 数据挖掘可否分布计算

?Mahout是Hadoop家族中的成员,是基于一个Hadoop的机器学习和数据挖掘的分布式计算框架。

10. Hadoop与Spark

?Hadoop是分布式数据处理的低层次抽象,通用,强壮,且保守,它使用HDFS存储,支持复杂的大规模数据。
?Spark是一个新兴的大数据处理的引擎,是分布式大数据处理的高层次抽象。提供了除map和reduce之外更多的运算符,这些操作是通过一个称作弹性分布式数据集(resilient distributed datasets, RDDs)的分布式数据框架进行的。它主要使用内存存储,用于快速处理。
?Hadoop的YARN还可与Spark结合使用。

11. Hadoop与Zookeeper

?在集群的管理中Zookeeper负责分布式系统的协调工作。不仅适用于Hadoop集群,在其他的集群中也常被用到,比如此前介绍过的实现矿机集群的Zookeeper&Kafka。Zookeeper主要解决处理分布式应用的“部分失败”问题(比如某个关链节点宕机了),使集群更加稳定地工作。

最后编辑于
?著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,992评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,212评论 3 388
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事?!?“怎么了?”我有些...
    开封第一讲书人阅读 159,535评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,197评论 1 287
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,310评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,383评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,409评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,191评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,621评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,910评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,084评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,763评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,403评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,083评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,318评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,946评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,967评论 2 351

推荐阅读更多精彩内容