Hadoop核心组件及其作用概述

Hadoop的核心组件可以概括为“两大基础”和一个“核心大脑”，它们共同构成了分布式数据处理的基石。

---

核心一：HDFS (Hadoop Distributed File System) - 分布式存储

作用：负责存储。它是一个高可靠、高扩展性的分布式文件系统，能将超大规模数据集（TB/PB级）拆分成多个数据块，并分散存储在集群的多个普通服务器上。

关键特点与机制：

• 分块存储：默认将大文件切分为128MB或256MB的固定大小数据块。
• 多副本冗余：每个数据块会自动创建多个副本（默认3个），存储在不同机器上，防止硬件故障导致数据丢失。
• 主从架构：
  • NameNode（主节点）：存储文件的元数据（如文件名、目录结构、数据块位置等），是HDFS的“目录管理员”。
  • DataNode（从节点）：在本地磁盘上实际存储数据块，并定期向NameNode报告状态。

举例说明：
假设你有一个大小为520MB的日志文件website_logs.txt要存入HDFS（假设块大小为128MB）。

1. 分块：HDFS会将其自动切分成5个块：Block-1(128MB),Block-2(128MB),Block-3(128MB),Block-4(128MB),Block-5(8MB)。
2. 存储与备份：这5个块会被分发到集群中不同的DataNode上。比如，Block-1会存储在DataNode-A、DataNode-C、DataNode-F上（共3个副本）。
3. 管理：NameNode会记录下website_logs.txt由这5个块组成，以及每个块的所有副本存放在哪些DataNode上。当客户端需要读取文件时，只需询问NameNode，即可找到最近的副本位置。

---

核心二：MapReduce - 分布式计算模型（编程框架）

作用：负责计算。它是一种编程模型，用于对海量数据进行并行处理和计算。其思想是“分而治之”：将复杂的计算任务分解成两个阶段（Map和Reduce），并在多个节点上并行执行。

工作原理：

1. Map（映射）阶段：多个Mapper任务并行工作，读取HDFS上的数据块，对每条数据进行初步处理，输出一系列中间键值对(key, value)。
2. Shuffle & Sort（洗牌与排序）：系统自动将Map阶段输出的、具有相同key的所有value集中到一起，发送给同一个Reducer。
3. Reduce（归约）阶段：多个Reducer任务并行工作，接收属于自己的一组键值对，进行汇总、计算等最终处理，并将结果写回HDFS。

举例说明：统计一个超大文本文档中每个单词出现的次数。

• 输入：HDFS上的文档被分成多个块。
• Map阶段：每个Mapper读取一个数据块。
  • 逐行处理，将每行文本拆分成单词。
  • 对每个单词，输出中间键值对(单词, 1)。例如，(Hello, 1),(World, 1),(Hello, 1)。
• Shuffle阶段：系统将所有相同的单词“洗牌”到一起。例如，所有(Hello, 1)的键值对被送到同一个Reducer。
• Reduce阶段：每个Reducer处理一个或一组单词。
  • 接收(Hello, [1, 1, 1, ...])这样的输入。
  • 将列表中的1相加，得到最终计数。
  • 输出最终键值对(Hello, 3)到HDFS。

---

核心三：YARN (Yet Another Resource Negotiator) - 资源管理和调度系统

作用：负责集群资源管理和任务调度。它是Hadoop 2.0引入的“核心大脑”，将资源管理和作业调度/监控的功能从MapReduce中分离出来，使Hadoop不再局限于MapReduce一种计算框架，可以支持Spark、Flink等多种计算引擎。

核心组件与流程：

• ResourceManager (RM)：集群的“总指挥官”，负责整个系统的资源（CPU、内存）管理和分配。
• NodeManager (NM)：每个节点上的“工头”，负责启动并监控本节点的容器（Container，即资源单元），并向RM汇报。
• ApplicationMaster (AM)：每个具体应用（如一个MapReduce作业）的“项目经理”。它向RM申请资源，并与NM协作来执行和监控具体的任务（如Map Task或Reduce Task）。

举例说明：当上面提到的“单词统计”MapReduce作业提交到YARN集群时：

1. 客户端提交作业到ResourceManager。
2. ResourceManager在一个空闲的NodeManager上为这个作业分配一个容器，并启动ApplicationMaster（即这个MapReduce作业的专属管理者）。
3. ApplicationMaster向ResourceManager申请运行Map任务和Reduce任务所需的资源。
4. ResourceManager根据集群情况，在各个NodeManager上分配容器。
5. ApplicationMaster指示对应的NodeManager在分配到的容器中启动具体的Map任务或Reduce任务。
6. ApplicationMaster监控所有任务的执行状态，并在任务失败时申请新资源重试。
7. 所有任务完成后，ApplicationMaster向ResourceManager注销，并告知客户端作业完成。

---

总结与关系

核心组件	核心作用	比喻	在单词统计例子中的角色
HDFS	存储	分布式仓库	存储待处理的超大文档，以及处理后的结果文件。
MapReduce	计算逻辑	车间流水线说明书	定义了如何“分块统计单词”并“合并结果”的算法和步骤。
YARN	资源调度	工厂厂长和调度中心	协调集群的CPU和内存，确保Mapper和Reducer任务能获得资源并高效执行。

三者协作流程：数据首先存储在HDFS上 -> 用户提交一个MapReduce程序 ->YARN调度集群资源来执行这个MapReduce程序 -> 程序从HDFS读取数据，进行计算 -> 最终结果写回HDFS。

这种架构使得Hadoop能够以可靠、可扩展的方式处理PB级别的数据。