Hadoop初次接触后感

1该技术为了解决什么问题而来？

2是什么？

（1）允许集群服务器使用简单编程模型对大数据集进行分布式处理

(2)可扩展服务器

（3）每台服务器都有本地的计算和存储资源

（4）不依赖硬件，其代码库自身就能在应用层侦测并处理硬件故障

（5）几乎完全模块化

（6）数据处理框架和一个分布式数据存储文件系统(HDFS)

（7）MapReduce真正完成数据处理任务的工具(NoSQL非关系型数据库)

（8）Hive将查询语句转换成MapReduce任务，但MapReduce的复杂性和局限性(单任务批处理)使得Hadoop在更多情况下都被用作数据仓库使用而非数据分析工具

（9）所有功能都是分布式的，而不是传统数据库的集中式系统

（10）开发和运行处理大规模数据的软件平台，实现在大量计算机组成的集群中对海量数据进行分布式计算

（11）HDFS提供对海量数据存储，MapReduce提供了对数据的计算

（12）大文件被默认分成64M一块的数据分布存储在集群机器中

（13）MapReduce:

a.Hadoop为每一个input split创建一个task调用Map计算

b.在此task中依次处理split中的一个个记录record

c.map会将结果以key-value的形式输出

d.hadoop负责按key值将map的输出整理后作为Reduce的输入

e.Reduce Task的输出为整个job的输出，保存在HDFS上

（14）a.NameNode中记录了文件是如何被拆分成block以及这些block都存储到了哪些DateNode节点以及保存了文件系统运行的状态信息

b.DataNode存储了被拆分的blocks

c.Secondary NameNode帮助NameNode收集文件系统运行的状态信息

d.JobTracer当有任务提交到Hadoop集群的时候负责Job的运行，负责调度多个TaskTracker

e.TaskTracker负责某一个map或者reduce任务

3该技术的原理(附加感受)？

（1）Map-Reduce两个步骤:Map和Reduce,每一步都有key-value对作为输入和输出

map阶段的key-value对的格式是由输入的格式所决定的，如果是默认的TextInputFormat，则每行作为一个记录进行处理，其中key为吃饭的开头相对于文件的起始位 置，value就是此行的字符文本

（2）map阶段的输出的key-value对的格式必须同reduce阶段输入的key-value对的格式相对应

（3）



（4）


（5）setInputFormat:设置map的输入格式，默认为TextInputFormat，key为LongWritable,value为Text

setNumMapTasks：设置map任务的个数，此设置通常不起作用，map任务的个数取决于输入的数据所能分的input split的个数

setMapperClass:设置Mapper 默认为IdentityMapper

setMapRunnerClass:设置MapRunner,map task是由MapRunner运行的，默认为MapRunnable,其功能为读取input split的一个个record,依次调用Mapper的map行数

setMapOutputKeyClass和setMapOutputValueClass:设置Mapper的输出的key-value对的格式

setOutputKeyClass和setOutputValueClass:设置Reducer的输出的key-value对的格式

setPartitionerClass和setNumReduceTasks:设置Partitioner,默认为HashPartitioner,其根据key的hash值来决定进入哪个partition,每一个partition被一个reduce task处理，所以partition的个数等于reduce task的个数

setReducerClass:设置Reducer,默认为IdentityReducer

setOutputFormat:设置任务的输出格式 默认为TextOutputFormat

FileInputFormat.addInputPath:设置输入文件的路径，可以使每一个文件，一个路径，一个通配符，可以被调用多次添加多个路径

FileOutputFormat.setOutputPath:设置输入文件的路径，在job运行前次路径不应该存在

（6）Map-Reduce:

a.客户端Client:用于提交Map-reduce任务job

b.JobTracker:协调整个job的运行，其为一个java进程，其main class为JobTracker

c.TaskTracker:运行此job的task，处理input split，其为一个Java进程，其main class 为TaskTracker

d.HDFS：hadoop分布式文件系统，用于在各个进行间共享Job相关的文件



（7）任务提交：JobClient.runJob()创建一个新的JobClient实例，调用其submitJob()

a.向JobTracer请求一个新的job ID

b.检测此job的output配置

c.计算此job的input splits

d.将Job运行需要的资源拷贝到JobTracker文件系统中的文件夹中，包括job jar文件 job.xml配置文件,input splits

e.通知JobTracker此Job已经可以运行了

提交任务后，runJob每隔一秒轮询一次job的进度，将进度返回到命令行，直到任务运行完毕

（8）任务初始化

a.当JobTracker收到submitJob调用的时候，将此任务放到一个队列中

b.job调度器将从队列中获取任务并初始化任务

c.初始化首先创建一个对象来封装job运行的tasks、status以及progress

d.在创建task之前，job调度器首先从共享文件系统中获得JobClient计算出的input splits

e.其为每一个input split创建一个map task

f.每个task被分配一个ID

（9）任务分配

a.TaskTracker周期性的向JobTracker发送heartbeat

b.在heartbeat中，TaskTracker告知JobTracker已经准备运行一个新的task，JobTracker将会分配给其一个task

c.在JobTracker为TaskTracker选择一个task之前，JobTracker必须首先按照优先级选择一个Job，在最高优先级的Job中选择一个task

d.TaskTracker有固定数量的位置来运行map task或者reduce task

e.默认的调度器对待map task优先于reduce task

f.但选择reduce task的时候，JobTracker并不在多个task之间进行选择，而是直接取下一个，因为reduce task没有数据本地化的概念

（10）任务执行

TaskTracker被分配了一个task,下面便要运行此task

a.TaskTracker将此job的jar从共享文件系统中拷贝到TaskTracker的文件系统中

b.TaskTracker从distributed cache中将job运行所需要的文件拷贝到本地磁盘

c.其次，其为每个task创建一个本地的工作目录，将jar解压缩到文件目录中

d.其创建一个TaskRunner来运行task,TaskRunner创建一个新的JVM来运行task，被创建的child JVM和TaskTracker通信来报告运行进度

（11）Map的过程

a.MapRunnable从input split中读取一个个的record,然后依次调用Mapper的map函数，将结果输出

b.map的输出并不是直接写入硬盘的，而是将其写入缓存memory buffer

c.当buffer中数据的到达一定的大小，一个背景线程将数据开始写入硬盘

d.在写入硬盘之前，内存中的数据通过partitioner分成多个partition

e.在同一个partition中，背景线程会将数据按照key在内存中排序

f.每次从内存向硬盘flush数据，都会生成一个新的spill文件

g.当此task结束之前，所有的spill文件被合并为一个整的被partition的并且排好序的文件

h.reducer可以通过http协议请求map的输出文件，tracker.http.threads可以设置http服务线程数

（12）Reduce的过程

a.当map task结束后，其通知TaskTracker,TaskTracker通知JobTracker

b.对于一个job,JobTracker知道TaskTracker和map的输出的对应关系

c.reducer中一个线程周期性的向JobTracker请求map输出的位置，直到其取得了所有的map输出

d.reduce task需要其对应的partition的所有的map输出

e.reduce task中的copy过程即当map task结束的时候就开始拷贝输出 因为不同的map task完成时间不同

f.reduce task中有多个copy线程，可以并行拷贝map输出

g.当很多map输出都拷贝到reduce task后，进入sort过程，将所有的map输出合并为大的排好序的文件

h.最后进入reduce过程，调用reducer的reduce行数，处理排好序的输出的每个key,最后的结果写入HDFS



（13）任务结束

当JobTracker获得最后一个task的运行成功的报告后，将job的状态改为成功

当JobClient从JobTracker轮询的时候，发现此job已经成功结束，则向用户打印消息，从runJob函数中返回

4环境的搭建？

5优势？

6劣势？