脚本宝典收集整理的这篇文章主要介绍了04 Hadoop思想与原理，脚本宝典觉得挺不错的，现在分享给大家，也给大家做个参考。

1.用图与自己的话，简要描述Hadoop起源与发展阶段。（作业3中剪过来）

答：

　　

一、Hadoop是什么？Hadoop是一个对海量数据存储和海量数据分析计算的分布式系统。

Hadoop 1.x 海量数据存储 ----> HDFS 海量数据分析计算 ----> Mapreduce Hadoop 2.x 增加 资源调度系统 ----> Yarn

从hadoop最初的原型来看，hadoop已经远远超过了本身的批处理。从广义上来说，hadoop现在可以是指更广泛的一个hadoop生态了，而不仅仅是HDFS，MaPReduce和Yarn。例如Hive，Hbase，Flume，Sqoop等等项目都属于这个生态。

二、Hadoop发展Hadoop是道格·卡丁（Doug Cutting）创建的，Hadoop起源于开源网络搜索引擎apache Nutch，后者本身也是Lucene项目的一部分。Nutch项目面世后，面对数据量巨大的网页显示出了架构的灵活性不够。当时正好借鉴了谷歌分布式文件系统，做出了自己的开源系统NDFS分布式文件系统。第二年谷歌又发表了论文介绍了MapReduce系统，Nutch开发人员也开发出了MapReduce系统。随后NDFS和MapReduce命名为Hadoop，成为了Apache顶级项目。

从Hadoop的发展历程来看，它的思想来自于GOOGLE的三篇论文。

GFS：Google File System 分布式处理系统 ------》解决存储问题Mapreduce：分布式计算模型 ------》对数据进行计算处理BigTable：解决查询分布式存储文件慢的问题，把所有的数据存入一张表中，通过牺牲空间换取时间在之后的学习中，我会对这三篇论文进行总结和归纳。

三、Hadoop发行版本Hadoop三大发行版本：Apache、Cloudera、Hortonworks。

1、Apache最基础的版本，适合入门学习，可以基于此做二次开发。

官网地址：http://hadoop.apache.org/releases.htML

下载地址：https://Archive.apache.org/dist/hadoop/common/

2、Cloudera在大型互联网企业中用的较多。

官网地址：https://www.cloudera.COM/downloads/cdh/5-10-0.html

下载地址：https://archive.cloudera.com/cdh5/redhat/7/x86_64/cdh/

3、Hortonworks文档较好。

官网地址：https://hortonworks.com/products/data-center/hdp/

下载地址：https://hortonworks.com/downloads/#data-platform

四、Hadoop优势高可靠性因为hadoop假设计算元素和存储会出现故障，因为它维护多个数据结构和副本(默认3副本)，在出现故障时可以对失败的节点重新分布处理

高扩展性在集群间分配任务数据，可方便的扩展数以千计的节点

思考：动态扩容如何实现？ 对于添加少量的机器，可以通过手动配置或通过CDH添加 如果需要动态扩容上百台呢，而且可以根据数据量增长和减少的趋势，可以auto scaling。

高效性在MapReduce的思想下，Hadoop时并行工作的，以加快任务处理速度

高容错性自动保存多副本数据，并且能够自动将失败的任务重新分配

 

五、传统数仓与大数据存储传统数据仓库和大数据存储概念

传统数据仓库：传统方式 DW（Data Warehouse）基于传统的关系型数据库（oracle，MySQL）是将所有的东西共享，放在一起存储分析。

大数据存储：分布式，东西不共享，分别在不同的机器上完成存储分析，最后整合到一起。

目前传统数仓和大数据存储的区别已经渐渐模糊了。传统的关系型数据库借鉴了hadoop思想，也实现了分布式的数据存储和处理，而大数据存储也增加了索引和事物的特性。但就其存储的数据结构还是不同的，大数据存储更擅长非结构化数据和半结构化数据，而关系型数据库更擅长结构化数据

OLTP和OLCP

OLTP：联机事务处理(On-Line transaction Processing)

OLAP：联机分析处理(On-Line Analytical Processing)

OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。OLTP系统强调数据库的内存效率，强调内存各种指标的命令率，强调绑定变量，强调并发操作。

OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并支持提供直观易懂的查询结果，OLAP强调的数据分析，强调SQL执行市场，强调磁盘I/O,强调分区等。

区别:

OLTP，联机事务处理，表示事务性非常高的系统，一般都是高可用的在线系统，以小的事务以及小的查询为主。OLTP出现瓶颈的地方在于CPU与磁盘子系统。OLTP系统也是一个数据块变化非常频繁，语句提交非常频繁的系统。

OLAP，联机分析处理，有时候也叫DSS决策支持系统，也就是我们所说的数据仓库，语句的执行量不是考核的标准，因为一条语句可能执行的时间会非常的长，读取的数据也会非常的多，所以，在这样的系统中，考核的标准往往是磁盘子系统的吞吐量(宽带)，如能达到多少MB/s流量。

 

2.用图与自己的话，简要描述名称节点、数据节点的主要功能及相互关系、名称节点的工作机制。

　　答：

HDFS：分布式文件系统把文件分布存储到多个计算机节点上，成千上万的计算机节点构成计算机集群

这些节点分为主从节点，主节点可叫作名称节点（NameNode），从节点可叫作数据节点（DataNode）

 

HDFS的存储模式：

HDFS通过块的模式存储数据，默认情况下一个块是64M，把大文件拆分成多个块，可以最小化寻址开销这样的好处是：1.支持大规模文件存储 : 文件以块为单位进行存储，一个大规模文件可以被分拆成若干个文件块，不同的文件块可以被分发到不同的节点上，因此，一个文件的大小不会受到单个节点的存储容量的限制，可以远远大于网络中任意节点的存储容量2.简化系统设置 : 因为文件块大小是固定的，这样就可以很容易计算出一个节点可以存储多少文件块；其次，方便了元数据的管理，元数据不需要和文件块一起存储，可以由其他系统负责管理元数据3.适合数据备份 : 每个文件块都可以冗余存储到多个节点上，大大提高了系统的容错性和可用性

 

名称节点最主要功能：名称节点记录了每个文件中各个块所在的数据节点的位置信息

名称节点（NameNode）与DataNode的功能：

 

 

在HDFS中，名称节点（NameNode）负责管理分布式文件系统的命名空间（namespace），保存了两个核心的数据结构，即FsImage和EdITLOGFsImage用于维护文件系统树以及文件树中所有的文件和文件夹的元数据操作日志文件EditLog中记录了所有针对文件的创建、删除、重命名等操作

名称节点的启动：1.在启动时，系统会将FsImage中的内容加载到内存中去，之后再执行EditLog中的操作，使得内存中的数据和实际同步，存在内存中的支持客户端的读。2.一旦在内存中成功建立文件系统元数据的映射，则创建一个新的FsImage文件和一个空的EditLog文件3.名称节点起来之后，HDFS中的更新操作会重新写到EditLog文件中，因为FsImage文件一般都很大（GB级别的很常见），如果所有的更新操作都往FsImage文件中添加，这样会导致系统运行的十分缓慢，但是，如果往EditLog文件里面写就不会这样，因为EditLog 要小很多。每次执行写操作之后，且在向客户端发送成功代码之前，edits文件都需要同步更新

 

 

但为了防止EditLog过大的问题：引入了第二名称节点（SecondaryNameNode）第二名称节点：是HDFS架构中的一个组成部分，它是用来保存名称节点中对HDFS 元数据信息的备份，并减少名称节点重启的时间。SecondaryNameNode一般是单独运行在一台机器上

SecondaryNameNode让EditLog变小的工作流程：（1）SecondaryNameNode会定期和NameNode通信，请求其停止使用EditLog文件，暂时将新的写操作写到一个新的文件edit.new上来，这个操作是瞬间完成，上层写日志的函数完全感觉不到差别；（2）SecondaryNameNode通过HTTP GET方式从NameNode上获取到FsImage和EditLog文件，并下载到本地的相应目录下；（3）SecondaryNameNode将下载下来的FsImage载入到内存，然后一条一条地执行EditLog文件中的各项更新操作，使得内存中的FsImage保持最新；这个过程就是EditLog和FsImage文件合并；（4）SecondaryNameNode执行完（3）操作之后，会通过post方式将新的FsImage文件发送到NameNode节点上

（5）NameNode将从SecondaryNameNode接收到的新的FsImage替换旧的FsImage文件，同时将edit.new替换EditLog文件，通过这个过程EditLog就变小了

 

3.分别从以下这些方面，梳理清楚HDFS的 结构与运行流程，以图的形式描述。

• 客户端与HDFS
• 客户端读
• 客户端写
• 数据结点与集群
• 数据结点与名称结点
• 名称结点与第二名称结点
• 数据结点与数据结点
• 数据冗余
• 数据存取策略
• 数据错误与恢复

脚本宝典总结

以上是脚本宝典为你收集整理的04 Hadoop思想与原理全部内容，希望文章能够帮你解决04 Hadoop思想与原理所遇到的问题。

如果觉得脚本宝典网站内容还不错，欢迎将脚本宝典推荐好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。