hadoop的运行原理

接上篇博客写的.今天现简单介绍下hadoop的运行原理.

hadoop的配置在这里我就不详细讲了，网上关于这方面的文章很多，有单机版的，也有集群的。
hadoop主要由三方面组成:
1、HDFS
2、MapReduce
3、Hbase

Hadoop框架中最核心的设计就是：MapReduce和HDFS。MapReduce的思想是由Google的一篇论文所提及而被广为流传的， 简单的一句话解释MapReduce就是“任务的分解与结果的汇总”。HDFS是Hadoop分布式文件系统（Hadoop Distributed File System）的缩写 ，为分布式计算存储提供了底层支持。

MapReduce从它名字上来看就大致可以看出个缘由，两个动词Map和Reduce，“Map（展开）”就是将一个任务分解成为多个任 务，“Reduce”就是将分解后多任务处理的结果汇总起来，得出最后的分析结果。这不是什么新思想，其实在前面提到的多线程，多任务的设计就可以找到这 种思想的影子。不论是现实社会，还是在程序设计中，一项工作往往可以被拆分成为多个任务，任务之间的关系可以分为两种：一种是不相关的任务，可以并行执 行；另一种是任务之间有相互的依赖，先后顺序不能够颠倒，这类任务是无法并行处理的。回到大学时期，教授上课时让大家去分析关键路径，无非就是找最省时的 任务分解执行方式。在分布式系统中，机器集群就可以看作硬件资源池，将并行的任务拆分，然后交由每一个空闲机器资源去处理，能够极大地提高计算效率，同时 这种资源无关性，对于计算集群的扩展无疑提供了最好的设计保证。（其实我一直认为Hadoop的卡通图标不应该是一个小象，应该是蚂蚁，分布式计算就好比 蚂蚁吃大象，廉价的机器群可以匹敌任何高性能的计算机，纵向扩展的曲线始终敌不过横向扩展的斜线）。任务分解处理以后，那就需要将处理以后的结果再汇总起 来，这就是Reduce要做的工作。

下面这个图很经典:

 

上图中展现了整个HDFS三个重要角色：NameNode、DataNode和 Client。NameNode可以看作是分布式文件系统中的管理者，主要负责管理文件系统的命名空间、集群配置信息和存储块的复制等。NameNode 会将文件系统的Meta-data存储在内存中，这些信息主要包括了文件信息、每一个文件对应的文件块的信息和每一个文件块在DataNode的信息等。 DataNode是文件存储的基本单元，它将Block存储在本地文件系统中，保存了Block的Meta-data，同时周期性地将所有存在的 Block信息发送给NameNode。Client就是需要获取分布式文件系统文件的应用程序。这里通过三个操作来说明他们之间的交互关系。
 

文件写入：

  a):Client向NameNode发起文件写入的请求。
  b):NameNode根据文件大小和文件块配置情况，返回给Client它所管理部分DataNode的信息。
  c):Client将文件划分为多个Block，根据DataNode的地址信息，按顺序写入到每一个DataNode块中。

文件读取：

  a):Client向NameNode发起文件读取的请求。
  b):NameNode返回文件存储的DataNode的信息。
  c):Client读取文件信息。

文件Block复制：

  a):NameNode发现部分文件的Block不符合最小复制数或者部分DataNode失效。
  b):通知DataNode相互复制Block。
  c):DataNode开始直接相互复制.

下面综合MapReduce和HDFS来看Hadoop的结构：

Hadoop结构示意图

在Hadoop的系统中，会有一台Master，主要负责NameNode的工作以及JobTracker的工作。JobTracker的主要职责 就是启动、跟踪和调度各个Slave的任务执行。还会有多台Slave，每一台Slave通常具有DataNode的功能并负责TaskTracker的 工作。TaskTracker根据应用要求来结合本地数据执行Map任务以及Reduce任务。

把自己平时工作当中的代码贴出来解释下可能会更好的理解：

    FileInputFormat.setInputPaths(tempJob, hdfsHome); //  把本地的文件读入到HDFS中
    LOG.info(tempJobName + " data  start .....");

    tempJob.setJarByClass(tempMain.class); //设置这个Job运行是那个类
    tempJob.setMapperClass(MultithreadedMapper.class); //设置这个job运行的map,这里面使用了本身map自带的多线程实 现机制，这一点很重要，可以帮助我们提高运行的效率。
    MultithreadedMapper.setMapperClass(tempJob,tempMapper.class); //设置这个job运行的map
    MultithreadedMapper.setNumberOfThreads(tempJob, Integer.parseInt(tempThread));//设置多线程运行几个线程
    tempJob.setMapOutputKeyClass(LongWritable.class);// 设置map所输出的key
    tempJob.setMapOutputValueClass(StringArrayWritable.class); // 设置map所输出的value
       ......                     //下面还有reduce的一些，我这里的业务没有涉及到,这里就不列出来了。

    long start = System.currentTimeMillis();
    boolean result = tempJob.waitForCompletion(true); //启动一个job运行
    long end = System.currentTimeMillis();

如果大家有什么意见，欢迎提出来，共同学习！

评论

2 楼 szgaea 2011-01-07  

这个是啥原理呀，只是讲了下结构而已，深入点呗

1 楼 yangfuchao418 2011-01-06  

额 ，楼主都是拷贝的，还不如说下你们用到哪些地方，具体的用法实在点