Hadoop特性优点
- 扩容能力（scalability）。Hadoop是在可用的计算机集群间分配数据并完成计算任务的，这些集群可方便灵活的方式扩展到数以千计的节点。
- 成本低（economical）。Hadoop集群允许通过部署普通廉价的机器组成集群来处理大数据，以至于成本很低。看重的是集群整理能力。
- 效率高（efficiency）。通过并发数据，Hadoop可以在节点之间动态并行的移动数据，使得速度非常快。
- 可靠性（reliability）能自动维护数据的多份复制，并且在任务失败后能自动地重新部署（redeploy）计算任务。所以Hadoop的按位存储和处理数据的能力值得人们信赖。
Hadoop集群简介
HDFS工作流程与机制
主角色：NameNode
- NameNode是Hadoop分布式文件系统的核心，架构中的主角色。
- NameNode维护和管理文件系统元数据，包括名称空间目录树结构、文件和块位置信息、访问权限等信息。
- 基于此，NameNode成为了访问HDFS的唯一入口。
- NameNode内部通过内存和磁盘文件两种方式管理元数据。
- 其中磁盘上的元数据文件包括Fsimage内存元数据镜像文件和edits log（Journal）编辑日志。
NameNode职责
- NameNode仅存储HDFS的元数据：文件系统中所有文件的目录树，并跟踪整个集群中的文件，不存储实际数据。
- NameNode知道HDFS中任何给定文件的块列表及其位置。使用此信息NameNode知道如何从块中构建文件。
- NameNode不持久化存储每个文件中各个块所在的DataNode的位置信息，这些信息会在系统启动时从DataNode重建。
- NameNode是Hadoop集群中的单点故障。
- NameNode所在机器通常会配置有大量内存（RAM）。
从角色：DataNode
- DataNode是Hadoop HDFS中的从角色，负责具体的数据块存储。
- DataNode的数量决定了HDFS集群的整理数据存储能力。通过和NameNode配合维护着数据块。
DataNode职责
- DataNode负责最终数据块block的存储。是集群的从角色，也称为Slave。
- DataNode启动时，会将自己注册到NameNode并汇报自己负责持有的块列表。
- 当某个DataNode关闭时，不会影响数据的可用性。NameNode将安排由其他DataNode管理的块进行副本复制。（高可用）
- DataNode所在机器通常配置有大量的硬盘空间，因为实际数据存储在DataNode中。
主角色辅助角色：SecondaryNameNode
- SecondaryNameNode充当NameNode的辅助节点，但不能替代NameNode。（单机故障的来源）
- 主要是帮助主角色进行元数据文件的合并动作。可以通俗的理解为主角色的“秘书”。
HDFS写数据流程
- HDFS客户端创建对象实例DistributedFileSystem，该对象中封装了与HDFS文件系统操作的相关方法。
- 调用DistributedFileSystem对象的create()方法，通过RPC请求NameNode创建文件。NameNode执行各种检查判断：目标文件是否存在、父目录是否存在、客户端是否具有创建该文件的权限。检查通过，NameNode就会为本次请求记下一条记录，返回FSDataOutputStream输出流对象给客户端用于写数据。
- 客户端通过FSDataOutputStream输出流开始写入数据。
- 客户端写入数据时，将数据分成一个个数据包（packet 默认64K），内部组件DataStreamer请求NameNode挑选出适合存储数据副本的一组DataNode地址，默认是3副本策略。DataStreamer将数据包流式传输到pipeline的第一个DataNode，该DataNode存储数据包并将它发送到pipepline的第二个DataNode，同样，第二个DataNode存储数据包并且发送给第三个（也是最后一个）DataNode。
- 传输的反方向上，会通过ACK机制校验数据包传输是否成功。
- 客户端完成数据写入后，在FSDataOutputStream输出流上调用close（）方法关闭。
- DistributedFileSystem联系NameNode告知其文件写入完成，等待NameNode确认。因为NameNode已经知道文件由哪些块组成（DataStream请求分配数据块），因此仅需等待最小复制块即可成功返回。最小复制是由参数dfs.namenode.replication.min指定，默认值是1。
MapReduce阶段划分与进程组成
MapReduce整体执行流程图
Map阶段执行过程
- 把输入目录下文件按照一定的标准逐个进行逻辑切片，形成切片规划。默认Split size=Block size(128M)，每一个切片由一个MapTask处理。（getSplits）。
- 对切片中的数据按照一定的规则读取解析返回<key，value>对。默认是按行读取数据。key是每一行的起始位置偏移量，value是本行的文本内容。（TextInputFormat）。
- 调用Mapper类中的map方法处理数据。每读取解析出来的一个<key，value>，调用一次map方法。
- 按照一定的规则对map输出的键值对进行分区partition。默认不分区，因为只有一个reducetask。分区的数量就是reducetask运行的数量。
- map输出数据写入内存缓冲区，达到比例溢出到磁盘上，溢出spill的时候根据key进行排序sort。默认根据key字典序排序。
- 对所有溢出文件进行最终的merge合并，成为一个文件。
Reduce阶段执行过程
- ReduceTask会主动从MapTask复制拉取属于需要自己处理的数据。
- 把拉取来的数据，全部进行合并merge，即把分散的数据合并成一个大的数据。再对合并后的数据排序。
- 对排序后的键值对调用reduce方法。键相等的键值对调用一次reduce方法。最后把这些输出的键值对写入到HDFS文件中。
Shuffle机制
YARN架构
程序提交YARN集群交互流程
MR提交YARN交互流程
- 用户通过客户端向YARN中ResourceManager提交应用程序（比如Hadoop jar提交MR程序）。
- ResourceManager为该应用程序分配第一个Container（容器），并与对应的NodeManager通信，要求它在这个Container中启动这个应用程序的ApplicationMaster。
- ApplicationMaster启动成功之后，首先向ResourceManager注册并保持通信，这样用户可以直接通过ResourceManage查看应用程序的运行状态（处理了百分之几）。
- AM为本次程序内部的各个Task任务向RM申请资源，并监控它的运行状态。
- 一旦ApplicationMaster申请到资源后，便与对应的NodeManager通信，要求它启动任务。
- NodeManager为任务设置好运行环境后，将任务启动命令写到一个脚本中，并通过运行该脚本启动任务。
- 各个任务通过某个RPC协议向ApplicationMaster汇报自己的状态和进度，以让ApplicationMaster随时掌握 各个任务的运行状态，从而可以在任务失败时重新启动任务。在应用程序运行过程中，用户可随时通过RPC向ApplicationMaster查询应用程序的当前运行状态。
- 应用程序运行完成后，
scheduler资源调度器和调度策略
先进先出调度器（FIFO Scheduler）
容量调度器（Capacity Scheduler）
公平调度器（Fair Scheduler）
