本文主要向大家介绍了【云计算】HDFS概念和MapReduce原理解析，通过具体的内容向大家展现，希望对大家学习云计算有所帮助。

HDFS是Hadoop的文件系统，MapReduce是Hadoop并行计算框架。

HDFS

基本概念

HDFS是Hadoop的分布式文件系统，全名为Hadoop Distributed File System。它有以下三个基本概念：

Block（块）

NameNode

DataNode

块是默认大小为64MB的逻辑单元。HDFS里面的文件被分成相同大小的数据块来进行存储和管理。当然，文件的备份和查找也是基于数据块进行处理的。

NameNode是管理节点（直译名字节点）。它存放着文件与数据块（Block）的映射表，也存放着数据块与数据节点（DataNode）的映射表。这俩被统称为文件元数据。

DataNode是工作节点（也就是数据节点），用来存放数据块。比如下图中，每个工作节点就存放了三个数据块。

HDFS体系结构

如果要打个比喻的话，那么DataNode就像图书馆中的书架，每个书架上都存储着相应的书（数据块），NameNode就像图书管理员，知道每本书存放在什么书架上，也知道每本书里面写着什么内容（数据）。

数据管理策略

作为一个分布式的文件系统，HDFS是有它自己的数据管理策略的。比如，以上面的图为例，每个数据块都会有三个副本，分布在两个机架内的三个节点。如果我们要读取一个数据块C的话——

如果DataNode1发生了故障，那么客户端还可以在机架1的DataNode3中找到数据块C。

如果整个机架1都发生了故障，那么客户端还可以在机架2的DataNode4中找到数据块C。

除了三份副本以外，HDFS还可以检测自己是否已经发生了故障。

DataNode会定期向NameNode发送心跳消息，以检测节点是否发生关机、宕机、网络故障等等，这样管理节点就会知道哪些节点挂了，哪些节点还可用。

Secondary NameNode（二级NameNode）会定期同步元数据映像文件和修改日志。当NameNode里面存储的元数据发生故障的时候，备胎转正，二级NameNode成为NameNode。

文件读写操作

文件读取就很简单了。首先客户端从NameNode发出文件读取请求，然后NameNode将返回一个元数据。接着，客户端就像一个顾客一样（虽然本质上是Java程序或者命令行）按照手上的「图书清单」到工作节点上去寻找相应的数据块，最后把数据块们下载下来并进行组装。

文件写入稍稍麻烦一点。首先客户端（此时客户端变成了图书经理）会把需要写入的文件拆分成块，然后通知NameNode，让其报告一下哪些DataNodes可以写入文件。（如果要写入多个块，则从这里开始循环）接着客户端把一个块写入DataNodes内，并通过一个复制管道进行流水线复制，以保证存在多个副本。最后报告给NameNode并更新元数据，保证里面的映射是最新的状态。

这样我们就能看出HDFS的特点了——

数据非常冗杂，每个数据块都要有三份备份，但同时也保证了较高的硬件容错性。

流式的数据访问，来一点数据就处理一点数据，不会占用很大的内存。

一次写入多次读取，写进去的数据块无法被修改，只能先删除块之后再次写入。

适用于存储大文件。大量的小文件会加重NameNode的压力。

HDFS适合数据批量读写，吞吐量高，也适合一次写入多次读取，按顺序读写；但不适合交互式应用，很难满足低延迟的要求，也不支持用户并发地写相同的文件。

HDFS使用

现在我们来用Hadoop实现一下HDFS系统。HDFS中有shell接口，因此我们在linux系统里可以像linux的命令行一样使用HDFS的命令。

Hadoop拥有的命令

其中常用的命令如下：

  hadoop fs -ls / #打印 / 目录文件列表 
  hadoop fs -mkdir input #创建目录 
  hadoop fs -put hadoop-env.sh input/ #上传文件 hadoop-env.sh 到 input 目录下 
  hadoop fs -get input/abc.sh hadoop-enomp.sh #从 input 目录中下载文件
  hadoop fs -rmr ?#hadoop删除文件命令
  hadoop namenode -formet #hadoop格式化操作 
  hadoop dfsadmin -report #hadoop查看存储信息

现在看看我们是怎么具体实现HDFS的读写操作的。

把hadoop-env.sh文件写入input目录中

读取文件，并下载到本地

上述就是从客户端（也就是命令行）上传文件（发出写入请求）与下载文件（发出读取请求）的过程。

MapReduce

原理

MapReduce的本质是Map-Reduce的批处理计算模型。Map指的是把一个大任务分割成多个小的子任务，Reduce指的是把子任务执行完后的结果合并的规约过程。可以看出，MapReduce也存在着分治法的思想。

比如，我们要从大容量的网络访问日志文件中，找出访问次数最多的IP地址。MapReduce先把日志切分成几个子任务，并统计IP出现的次数。接着任务间互相交换结果，把各个IP地址的访问结果统计出来，最后中间结果合并，排序，就知道了哪个IP地址访问次数最多了。

MapReduce的优缺点很多，分布式可以让超级服务器才能处理的数据让多台小机器也能实现，但是性能比较糟糕。显然，MapReduce适用于大规模数据集的并行运算。

运行流程

可以类比在HDFS中的结构设计，JobTracker近似于NameNode，而TaskTracker近似于DataNode。实际上它们确实是一类节点，这样也能保证数据传输的稳定性。JobTracker有如下职责：

作业调度（FIFO之类的）

分配任务、监控任务的执行进度

监控TaskTracker的状态

而TaskTracker反而比较简单：

执行Map和Reduce的任务

汇报任务状态

MapReduce的容错机制主要是重复执行（先不管对不对，重复执行四遍再说）和推测执行（对于执行慢的任务，新建一个TaskTracker执行相同任务，选两者中最先完成的结果，并终止还没完成的任务）。
 

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据安全频道！