10分鐘零基礎就可搞懂的Hadoop架構原理，阿里架構師詳解
我今天花了大半個下午的時間，寫了這篇hadoop的架構，全篇都是以大白話的形式，也算是為后面更加詳細的每一部分開了個好頭吧，如果喜歡請點轉發和關注，如果有疑問，直接在評論里說出來，大家一起解決，才能進步。
一、概念
Hadoop誕生于2006年，是一款支持數據密集型分布式應用并以Apache 2.0許可協議發布的開源軟件框架。它支持在商品硬件構建的大型集群上運行的應用程序。Hadoop是根據Google公司發表的MapReduce和Google檔案系統的論文自行實作而成。
Hadoop與Google一樣，都是小孩命名的，是一個虛構的名字，沒有特別的含義。從計算機專業的角度看，Hadoop是一個分布式系統基礎架構，由Apache基金會開發。Hadoop的主要目標是對分布式環境下的“大數據”以一種可靠、高效、可伸縮的方式處理。
Hadoop框架透明地為應用提供可靠性和數據移動。它實現了名為MapReduce的編程范式：應用程序被分割成許多小部分，而每個部分都能在集群中的任意節點上執行或重新執行。
Hadoop還提供了分布式文件系統，用以存儲所有計算節點的數據，這為整個集群帶來了非常高的帶寬。MapReduce和分布式文件系統的設計，使得整個框架能夠自動處理節點故障。它使應用程序與成千上萬的獨立計算的電腦和PB級的數據。
二、組成
1.Hadoop的核心組件
分析：Hadoop的核心組件分為：HDFS(分布式文件系統)、MapRuduce(分布式運算編程框架)、YARN(運算資源調度系統)
2.HDFS的文件系統
HDFS
1.定義
整個Hadoop的體系結構主要是通過HDFS(Hadoop分布式文件系統)來實現對分布式存儲的底層支持，并通過MR來實現對分布式并行任務處理的程序支持。
HDFS是Hadoop體系中數據存儲管理的基礎。它是一個高度容錯的系統，能檢測和應對硬件故障，用于在低成本的通用硬件上運行。HDFS簡化了文件的一致性模型，通過流式數據訪問，提供高吞吐量應用程序數據訪問功能，適合帶有大型數據集的應用程序。
2.組成
HDFS采用主從(Master/Slave)結構模型，一個HDFS集群是由一個NameNode和若干個DataNode組成的。NameNode作為主服務器，管理文件系統命名空間和客戶端對文件的訪問操作。DataNode管理存儲的數據。HDFS支持文件形式的數據。
從內部來看，文件被分成若干個數據塊，這若干個數據塊存放在一組DataNode上。NameNode執行文件系統的命名空間，如打開、關閉、重命名文件或目錄等，也負責數據塊到具體DataNode的映射。DataNode負責處理文件系統客戶端的文件讀寫，并在NameNode的統一調度下進行數據庫的創建、刪除和復制工作。NameNode是所有HDFS元數據的管理者，用戶數據永遠不會經過NameNode。
分析：NameNode是管理者，DataNode是文件存儲者、Client是需要獲取分布式文件系統的應用程序。
MapReduce
1.定義
Hadoop MapReduce是google MapReduce 克隆版。
MapReduce是一種計算模型，用以進行大數據量的計算。其中Map對數據集上的獨立元素進行指定的操作，生成鍵-值對形式中間結果。Reduce則對中間結果中相同“鍵”的所有“值”進行規約，以得到最終結果。MapReduce這樣的功能劃分，非常適合在大量計算機組成的分布式并行環境里進行數據處理。
2.組成
分析：
(1)JobTracker
JobTracker叫作業跟蹤器，運行到主節點(Namenode)上的一個很重要的進程，是MapReduce體系的調度器。用于處理作業(用戶提交的代碼)的后臺程序，決定有哪些文件參與作業的處理，然后把作業切割成為一個個的小task，并把它們分配到所需要的數據所在的子節點。
Hadoop的原則就是就近運行，數據和程序要在同一個物理節點里，數據在哪里，程序就跑去哪里運行。這個工作是JobTracker做的，監控task，還會重啟失敗的task(于不同的節點)，每個集群只有唯一一個JobTracker，類似單點的NameNode，位于Master節點
(2)TaskTracker
TaskTracker叫任務跟蹤器，MapReduce體系的最后一個后臺進程，位于每個slave節點上，與datanode結合(代碼與數據一起的原則)，管理各自節點上的task(由jobtracker分配)，每個節點只有一個tasktracker，但一個tasktracker可以啟動多個JVM，運行Map Task和Reduce Task;并與JobTracker交互，匯報任務狀態，Map Task：解析每條數據記錄，傳遞給用戶編寫的map(),并執行，將輸出結果寫入本地磁盤(如果為map-only作業，直接寫入HDFS)。
Reducer Task：從Map Task的執行結果中，遠程讀取輸入數據，對數據進行排序，將數據按照分組傳遞給用戶編寫的reduce函數執行。
Hive
1.定義
Hive是基于Hadoop的一個數據倉庫工具，可以將結構化的數據文件映射為一張數據庫表，并提供完整的sql查詢功能，可以將sql語句轉換為MapReduce任務進行運行。
Hive是建立在 Hadoop 上的數據倉庫基礎構架。它提供了一系列的工具，可以用來進行數據提取轉化加載(ETL)，這是一種可以存儲、查詢和分析存儲在 Hadoop 中的大規模數據的機制。
Hive 定義了簡單的類 SQL 查詢語言，稱為 HQL，它允許熟悉 SQL 的用戶查詢數據。同時，這個語言也允許熟悉 MapReduce 開發者的開發自定義的 mapper 和 reducer 來處理內建的 mapper 和 reducer 無法完成的復雜的分析工作。
2.組成
分析：Hive架構包括：CLI(Command Line Interface)、JDBC/ODBC、Thrift Server、WEB GUI、Metastore和Driver(Complier、Optimizer和Executor)，這些組件分為兩大類：服務端組件和客戶端組件
3.客戶端與服務端組件
(1)客戶端組件：
CLI：Command Line Interface，命令行接口。
Thrift客戶端：上面的架構圖里沒有寫上Thrift客戶端，但是Hive架構的許多客戶端接口是建立在Thrift客戶端之上，包括JDBC和ODBC接口。
WEBGUI：Hive客戶端提供了一種通過網頁的方式訪問Hive所提供的服務。這個接口對應Hive的HWI組件(Hive Web Interface)，使用前要啟動HWI服務。
(2)服務端組件：
Driver組件：該組件包括Complier、Optimizer和Executor，它的作用是將HiveQL(類SQL)語句進行解析、編譯優化，生成執行計劃，然后調用底層的MapReduce計算框架。
Metastore組件：元數據服務組件，這個組件存儲Hive的元數據，Hive的元數據存儲在關系數據庫里，Hive支持的關系數據庫有Derby和Mysql。元數據對于Hive十分重要，因此Hive支持把Metastore服務獨立出來，安裝到遠程的服務器集群里，從而解耦Hive服務和Metastore服務，保證Hive運行的健壯性;
Thrift服務：Thrift是Facebook開發的一個軟件框架，它用來進行可擴展且跨語言的服務的開發，Hive集成了該服務，能讓不同的編程語言調用Hive的接口。
4.Hive與傳統數據庫的異同
(1)查詢語言
由于 SQL 被廣泛的應用在數據倉庫中，因此專門針對Hive的特性設計了類SQL的查詢語言HQL。熟悉SQL開發的開發者可以很方便的使用Hive進行開發。
(2)數據存儲位置
Hive是建立在Hadoop之上的，所有Hive的數據都是存儲在HDFS中的。而數據庫則可以將數據保存在塊設備或者本地文件系統中。
(3)數據格式
Hive中沒有定義專門的數據格式，數據格式可以由用戶指定，用戶定義數據格式需要指定三個屬性：列分隔符(通常為空格、”\t”、”\\x001″)、行分隔符(”\n”)以及讀取文件數據的方法(Hive中默認有三個文件格式TextFile，SequenceFile以及RCFile)。
(4)數據更新
由于Hive是針對數據倉庫應用設計的，而數據倉庫的內容是讀多寫少的。因此，Hive中不支持對數據的改寫和添加，所有的數據都是在加載的時候中確定好的。而數據庫中的數據通常是需要經常進行修改的，因此可以使用INSERT INTO … VALUES添加數據，使用UPDATE … SET修改數據。
(5)索引
Hive在加載數據的過程中不會對數據進行任何處理，甚至不會對數據進行掃描，因此也沒有對數據中的某些Key建立索引。Hive要訪問數據中滿足條件的特定值時，需要暴力掃描整個數據，因此訪問延遲較高。由于MapReduce的引入， Hive可以并行訪問數據，因此即使沒有索引，對于大數據量的訪問，Hive仍然可以體現出優勢。數據庫中，通常會針對一個或者幾個列建立索引，因此對于少量的特定條件的數據的訪問，數據庫可以有很高的效率，較低的延遲。由于數據的訪問延遲較高，決定了Hive不適合在線數據查詢。
(6)執行
Hive中大多數查詢的執行是通過Hadoop提供的MapReduce來實現的(類似select * from tbl的查詢不需要MapReduce)。而數據庫通常有自己的執行引擎。
(7)執行延遲
Hive在查詢數據的時候，由于沒有索引，需要掃描整個表，因此延遲較高。另外一個導致Hive執行延遲高的因素是MapReduce框架。由于MapReduce本身具有較高的延遲，因此在利用MapReduce執行Hive查詢時，也會有較高的延遲。相對的，數據庫的執行延遲較低。當然，這個低是有條件的，即數據規模較小，當數據規模大到超過數據庫的處理能力的時候，Hive的并行計算顯然能體現出優勢。
(8)可擴展性
由于Hive是建立在Hadoop之上的，因此Hive的可擴展性是和Hadoop的可擴展性是一致的(世界上比較大的Hadoop集群在Yahoo!，2009年的規模在4000臺節點左右)。而數據庫由于ACID語義的嚴格限制，擴展行非常有限。目前先進的并行數據庫Oracle在理論上的擴展能力也只有100臺左右。
(9)數據規模
由于Hive建立在集群上并可以利用MapReduce進行并行計算，因此可以支持很大規模的數據;對應的，數據庫可以支持的數據規模較小。
Hbase
1.定義
HBase – Hadoop Database，是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統，利用HBase技術可在廉價PC Server上搭建起大規模結構化存儲集群。
HBase是Google Bigtable的開源實現，類似Google Bigtable利用GFS作為其文件存儲系統，HBase利用Hadoop HDFS作為其文件存儲系統;
Google運行MapReduce來處理Bigtable中的海量數據，HBase同樣利用Hadoop MapReduce來處理HBase中的海量數據;
Google Bigtable利用 Chubby作為協同服務，HBase利用Zookeeper作為協同服務。
2.組成
分析：從上圖可以看出：Hbase主要由Client、Zookeeper、HMaster和HRegionServer組成，由Hstore作存儲系統。
- Client
HBase Client使用HBase的RPC機制與HMaster和HRegionServer進行通信，對于管理類操作，Client與 HMaster進行RPC;對于數據讀寫類操作，Client與HRegionServer進行RPC
- Zookeeper
Zookeeper Quorum 中除了存儲了 -ROOT- 表的地址和 HMaster 的地址，HRegionServer 也會把自己以 Ephemeral 方式注冊到 Zookeeper 中，使得 HMaster 可以隨時感知到各個HRegionServer 的健康狀態。
- HMaster
HMaster 沒有單點問題，HBase 中可以啟動多個 HMaster ，通過 Zookeeper 的 Master Election 機制保證總有一個 Master 運行，HMaster 在功能上主要負責 Table和Region的管理工作：
- 管理用戶對 Table 的增、刪、改、查操作
- 管理 HRegionServer 的負載均衡，調整 Region 分布
- 在 Region Split 后，負責新 Region 的分配
- 在 HRegionServer 停機后，負責失效 HRegionServer 上的 Regions 遷移
HStore存儲是HBase存儲的核心了，其中由兩部分組成，一部分是MemStore，一部分是StoreFiles。
MemStore是Sorted Memory Buffer，用戶寫入的數據首先會放入MemStore，當MemStore滿了以后會Flush成一個StoreFile(底層實現是HFile)， 當StoreFile文件數量增長到一定閾值，會觸發Compact合并操作，將多個 StoreFiles 合并成一個 StoreFile，合并過程中會進行版本合并和數據刪除。
因此可以看出HBase其實只有增加數據，所有的更新和刪除操作都是在后續的 compact 過程中進行的，這使得用戶的寫操作只要進入內存中就可以立即返回，保證了 HBase I/O 的高性能。
當StoreFiles Compact后，會逐步形成越來越大的StoreFile，當單個 StoreFile 大小超過一定閾值后，會觸發Split操作，同時把當前 Region Split成2個Region，父 Region會下線，新Split出的2個孩子Region會被HMaster分配到相應的HRegionServer 上，使得原先1個Region的壓力得以分流到2個Region上。
三、Hadoop的應用實例
1.回顧Hadoop的整體架構
2.Hadoop的應用——流量查詢系統
(1)流量查詢系統總體框架
(2)流量查詢系統總體流程
(3)流量查詢系統數據預處理功能框架
(4)流量查詢系統數據預處理流程
(5)流量查詢NoSQL數據庫功能框架
(6)流量查詢服務功能框架
(7)實時流計算數據處理流程圖
