关于hadoop集群管理系统搭建的规划说明

Hadoop集群管理系统搭建是每个入门级新手都非常头疼的事情，因为你可能花费了很久的时间在搭建运行环境，最终却不知道什么原因无法创建成功。但对新手来说，运行环境搭建不成功的概率还蛮高的。

在之前的分享文章中给hadoop新手入门推荐的大快搜索DKHadoop发行版，在运行环境安装方面的确要比其他的发行版hadoop要简单的多，毕竟DKHadoop是对底层重新集成封装的，对与研究hadoop尤其是入门级新手来说是非常友好的一个发行版！关于DKHadoop的安装留在后面再给大家分享，本篇就跟大家聊一聊关于Hadoop集群管理系统搭建。

1、分布式机器架构图：

其中机器1主节点，机器2从节点，机器3、机器4等都是计算节点。当主节点宕机后从节点代替主节点工作，正常状态是从节点和计算节点一样工作。这种架构设计保证数据完整性。

首先我们保证每台计算节点上分别有一个DataNode节点和NodeManager节点。因为都是计算节点，真正干活的。在数量上我们要保证。那么NameNode和ResourceManager是两个非常重要的管理者，我们客户端的请求，第一时间与NameNode和ResourceManager打交道。NameNode负责管理HDFS文件系统的元数据，客户端不管是读文件还是写文件，都要首先找到NameNode获取文件的元数据，再进行文件的操作。ResourceManager也是如此，它负责管理集群中的资源和任务调度，你也可以把它视为“大数据操作系统”。客户端能否提交应用并运行，就看你的ResourceManager是否正常。

2、达到多大规模的数据，才值得用大数据的方式来处理？

第一，从数据量角度，但是并无确定的答案，一般定性角度来说，你觉得这个数据量单机处理不了，比如内存限制，时间过久等，就用集群，但是要降低时间，你的处理逻辑必须能分布式处理，定量就是一般数据或者未来的数据量会达到PB级别（可能GB）或以上就要用分布式，当然前提也是你的处理逻辑可以进行分布式。

第二，从算法角度，或者处理逻辑的时间复杂度来说，比如虽然你的数据记录不是很多，但是你的算法或者处理逻辑的时间复杂度是n的平方，甚至更高，同时你的算法可以进行分布式设计，那么就考虑用分布式，比如你的记录虽然只有1w, 但是时间复杂度确是n的平方，那么你想想单机要多久，要是你的算法可以进行分布式处理，那么就考虑用分布式。

3、制约大数据处理能力的几个问题

a、网络带宽

网络是联接计算机的纽带，这个纽带当然越宽越好，这样可以在计算机资源许可的情况下，在单位时间内传输更多的数据，让计算机处理更多的数据。现在企业网络中，普遍采用的多是百兆网络，也有千兆，万兆虽然有，但是用得不多。

b、磁盘

所有数据，不管它从哪里来，最终都要存进不同的硬盘里面，或者闪存盘。闪存盘的读写效率比硬盘高得多，但是缺点也明显：价格贵、容量小。现在的存储介质主要还是硬盘，硬盘有顺序读写和随机读写两种模型。顺序读写是磁头沿着磁道，好象流水线一样，有规律的向前滚动进行。随机读写是磁头跳跃着，找到磁道上留空的地方，把数据写进去。很明显，顺序读写比随机读写效率高，所以系统架构师在设计大数据存储方案时，都是以顺序读写为主要选择。

c、计算机的数量

分布式的集群环境下，计算机的规模当然越大越好。这样在数据等量的情况下，计算机数量越多，分配给每台计算机的数据越少，处理效率自然就高了。但是计算机的数量也不是可以无限增加，集群对计算机规模的容纳有一个峰值，超过这个峰值，再提升就很困难，处理不好还会下降。原因主要来自木桶短板效应、边界效应、规模放大效应。根据多年前的一个测试，当时以Pentium 3和Pentium 4芯片为基础平台，配合100M网络，在上面运行LAXCUS大数据系统。当达到千台计算机的规模时，瓶颈开始显露出来。如果现在用新的X86芯片，加上更高速的网络，应该是能够容纳更多的计算机。

d、代码质量

这不是关键问题，但是是企业必须关注的一个问题。这和程序员编写的计算机代码质量有关。实际上，每个大数据产品都是半成品，它们只是提供了一个计算框架，要实际应用到企业生产中，里面还有大量业务编码需要程序员来实现。要使大数据应用达到高质量，技术负责人要做好前期设计，清楚和规范业务流程，程序员拿到方案后，用统一格式编写代码。这是双方互相配合的过程。或者说，要做好协同和协调的事情。