转载文章——Hadoop学习

转载地址：http://www.iteye.com/blogs/subjects/zy19982004?page=2

一.Hadoop社区版和发行版

1. 社区版：我们把Apache社区一直开发的Hadoop称为社区版。简单的说就是Apache Hadoophttp://hadoop.apache.org/
2. 发行版：基于Apache Hadoop的基础上进行商业改造的解决方案，包含一系列定制的管理工具和软件。

二.Hadoop社区版版本号

一直以来，Hadoop的版本号一直困扰着广大Hadoop爱好者，各版本层出不穷。如果你想使用Apache Hadoop，你必须知道自己要使用哪个版本的Hadoop，搞清楚Hadoop版本号就尤为重要了。

三.Hadoop发行版

• Cloudera
• 2009年开始Hadoop，Lutch，Lucene，Solr创始人Doug Cutting任职于Cloudera公司。
• Cloudera的主要产品是Cloudera Manager(CDH)。
• CDH3基于Apache Hadoop 0.20.2(简单理解为Apche Hadoop 1)；CDH4基于Apache Hadoop 0.20.3(简单理解为Apche Hadoop 2)，但是它采用新的MapReduce2.0，即Yarm。
• Hortonworks
• Hortonworks 2011年成立，由Yahoo于硅谷风投公司Benchmark Capital组成。公司成立的时候吸纳了许多原来在Yahoo工作的Hadoop工程师，Apache Hadoop社区70%的代码是雅虎工程师贡献的。2006年开始Doug Cutting任职于Yahoo公司。
• Hortonworks的主要产品是Hortonworks Data Platform(HDP)。
• HDP主要基于Apache Hadoop 1。
• MapR
• 用自己的新架构重写Hadoop，提供和Apache Hadoop相同的API。
• NameNode默认存储三份，不存在NameNode单点故障Single Point Of Failure(SPOF)。
• IBM
• 华为
• 网络，PC，虚拟化方面的硬件实力。
• Intel
• Intel的发行版最先进入中国市场。
• 提供全面的硬件解决方案，针对硬件的性能优化。

四.你也可以阅读以下文档

1. hadoop版本总结http://dijunzheng2008.blog.163.com/blog/static/98959897201210171340254/
2. 关于Apache Hadoop 1.0 http://f.dataguru.cn/thread-23223-1-1.html
3. 突破社区版Hadoop各商业发行版比较 http://cloud.chinabyte.com/news/206/12446706.shtml
4. 如何选择不同的Hadoop发行版 http://www.searchbi.com.cn/showcontent_70957.htm

一.Hadoop来历

1. 2004年12月。Google发表了MapReduce论文，MapReduce允许跨服务器集群，运行超大规模并行计算。Doug Cutting意识到可以用MapReduce来解决Lucene的扩展问题。
2. Google发表了GFS论文。
3. Doug Cutting根据GFS和MapReduce的思想创建了开源Hadoop框架。
4. 2006年1月，Doug Cutting加入Yahoo，领导Hadoop的开发。
5. Doug Cutting任职于Cloudera公司。
6. 2009年7月，Doug Cutting当选为Apache软件基金会董事，2010年9月，当选为chairman。
7. 各大企业开发自己的发行版，并为Apache Hadoop贡献代码。

二.Google-->Apache

• Chubby-->ZooKeeper
• GFS-->HDFS
• BigTable-->HBase
• MapReduce-->MapReduce

三.Google论文

• GFShttp://static.googleusercontent.com/external_content/untrusted_dlcp/research.google.com/de//archive/gfs-sosp2003.pdf
• BigTable http://static.googleusercontent.com/external_content/untrusted_dlcp/research.google.com/zh-CN//archive/bigtable-osdi06.pdf
• MapReduce http://static.googleusercontent.com/external_content/untrusted_dlcp/research.google.com/zh-CN//archive/mapreduce-osdi04.pdf

四.你也可以阅读一下文档

1. Wiki Doug Cutting http://en.wikipedia.org/wiki/Doug_Cutting
2. Hadoop源代码分析一 http://caibinbupt.iteye.com/blog/262412

一.NameNode物理文件夹

二.DataNode物理文件夹

 

一.NameNode概述

• NameNode存放了所有文件和文件夹的元数据信息
• 内存中：在系统启动时，会把fsimage和editlog记录的元数据信息加装到内存中；在系统启动时，NameNode收集DataNode心跳，在内存中形成file->blocks的对应关系。
• 硬盘上：操作日志以fsimage和editlog的形式持久化在硬盘上。
• NameNode分类
• NameNode，Secondary NameNode。
• NameNode，Checkpoint Node，Backup NameNode。

二.fsimage editLog

1. editLog：客户端对文件系统每次读写等操作时，元数据节点首先修改内存中的数据结构，然后记录到editlog中。
2. fsimage：二进制文件；当editlog达到一定量(fs.checkpoint.size)或者距离上次归并到fsimage达到一定时间(fs.checkpoint.period)时， editlog会被归并到fsimage中。此过程被称为checkpoint。另外一个checkpoint的时间是NameNode启动时。

三.NameNode + Secondary NameNode

1. Secondary NameNode通知NameNode准备chekpoint。
2. NameNode产生edits.new，用来接受checkpoint过程中的editlog。
3. Secondary NameNode通过http get方式获取NameNode的fsimage与editlog。
4. Secondary NameNode开始合并获取的上述两个文件，产生一个新的fsimage文件fsimage.ckpt。
5. Secondary NameNode用http post方式发送fsimage.ckpt至NameNode。
6. NameNode将fsimage.ckpt与edits.new文件分别重命名为fsimage与edits，然后更新fstime，整个checkpoint过程到此结束。

四.NameNode + Checkpiont NameNode + Backup NameNode

• 在Hadoop 0.21.0中，Secondary NameNode被Checkpoint NameNode和Backup NameNode取代。
• Checkpoint NameNode功能同Secondary NameNode，主要作用是合并元数据。
• Backup NameNode：NameNode实时主动把editlog和fsimage传送给Backup NameNode，主要作用是备份。但其还不能作热备，比喻Backup NameNode的内存中未保存Block的位置信息，仍需要等DataNode上报。

五.你也可以阅读以下文章

1. http://www.happyang.com/?p=6
2. http://blog.sina.com.cn/s/blog_7ead58ad0100umd9.html

一.数据块

1. HDFS默认数据块大小64M。{现在的版本已经是128M，下面不在修改了}
2. 文件大于64M，将被分为若干份64M+其它M存储；文件小于64M，并不会占用整个64M大小，对于小文件，HDFS提供了几种解决方案：Hadoop Archive，Sequence file和CombineFileInputFormat，后面看源码时详解。

二.DataNode

1. 数据节点是真正存储数据的地方。
2. 周期性向NameNode汇报心跳，并带回NameNode要下达的指令。NameNode并不主动向DataNode发送请求。
3. DataNode可以作为服务器，接受客户端的读写请求。
4. DataNode之间会互相通信，复制数据块。