outline
- 一.HDFS相关
- 二.mapreduce相关
- 三.Hadoop的调度策略
- 四.Hadoop的安全机制
一.HDFS相关
(1)HDFS的文件读写过程
read
（1）客户端调用FileSyste对象的open()方法在分布式文件系统中打开要读取的文件。
（2）分布式文件系统通过使用RPC（远程过程调用）来调用namenode，确定文件起始块的位置。
（3）分布式文件系统的DistributedFileSystem类返回一个支持文件定位的输入流FSDataInputStream对象，FSDataInputStream对象接着封装DFSInputStream对象（存储着文件起始几个块的datanode地址），客户端对这个输入流调用read()方法。
（4）DFSInputStream连接距离最近的datanode，通过反复调用read方法，将数据从datanode传输到客户端。
（5） 到达块的末端时，DFSInputStream关闭与该datanode的连接，寻找下一个块的最佳datanode。
write
（1） 客户端通过对DistributedFileSystem对象调用create()函数来新建文件。
（2） 分布式文件系统对namenod创建一个RPC调用，在文件系统的命名空间中新建一个文件。
（3）Namenode对新建文件进行检查无误后，分布式文件系统返回给客户端一个FSDataOutputStream对象，FSDataOutputStream对象封装一个DFSoutPutstream对象，负责处理namenode和datanode之间的通信，客户端开始写入数据。
（4）FSDataOutputStream将数据分成一个一个的数据包，写入内部队列“数据队列”，DataStreamer负责将数据包依次流式传输到由一组namenode构成的管线中。
（5）DFSOutputStream维护着确认队列来等待datanode收到确认回执，收到管道中所有datanode确认后，数据包从确认队列删除。
（6）客户端完成数据的写入，对数据流调用close()方法。
（7）namenode确认完成。
(2)HDFS如何保证一致性
HDFS在写数据务必要保证数据的一致性与持久性，目前HDFS提供的两种两个保证数据一致性的方法 hsync()方法和hflush()方法。
hflush: 保证flush的数据被新的reader读到，但是不保证数据被datanode持久化。
hsync: 与hflush几乎一样，不同的是hsync保证数据被datanode持久化
(3)副本存储机器的选择
若client为DataNode节点，那存储block时，规则为：副本1，同client的节点上；副本2，不同机架节点上；副本3，同第二个副本机架的另一个节点上；其他副本随机挑选。
若client不为DataNode节点，那存储block时，规则为：副本1，随机选择一个节点上；副本2，不同副本1，机架上；副本3，同副本2相同的另一个节点上；其他副本随机挑选。
二.mapreduce相关
(1)mapreduce的shuffle
Mapreduce的过程整体上分为5个阶段：InputFormat--MapTask --shuffle--ReduceTask--OutPutFormat
作用：
完整地从map task端拉取数据到reduce 端。
在跨节点拉取数据时，尽可能地减少对带宽的不必要消耗。
减少磁盘IO对task执行的影响。
map端
map的输出写缓存
写磁盘（溢写）会进行排序（先根据分区号，然后根据key排序）+ Combiner（合并）
每次溢写都会在磁盘上生成一个一个的小文件，因为最终的结果文件只有一个,所以需要将这些溢写文件归并到一起，这个过程叫做Merge（归并）；
Combiner---函数（相当于map阶段的reduce）：适用于输入key/value和输出key/value类型完全一致
是用于本地合并数据的函数
reduce端：
reduce会对应一个分区(Partition)，即，不同的reduce处理不同分区的数据
分区即是把能被同一个reduce操作的数据放在一起，
排序即是在各个分区中将数据按照key进行排序
reduce端：
当MapTask完成任务数超过总数的5%后，开始调度执行ReduceTask任务，然后ReduceTask默认启动5个copy线程到完成的MapTask任务节点上分别copy一份属于自己的数据（使用Http的方式）。
这些拷贝的数据会首先保存到内存缓冲区中，当达到一定的阀值的时候，开始启动内存到磁盘的Merge，也就是溢写过程，一致运行直到map端没有数据生成，最后启动磁盘到磁盘的Merge方式生成最终的那个文件。在溢写过程中，然后锁定80M的数据，然后在延续Sort过程，然后记性group(分组）将相同的key放到一个集合中，然后在进行Merge
当Reducer的输入文件已定，整个Shuffle才最终结束。
shuffle总结
MapReduce中的Shuffle更像是洗牌的逆过程，把一组无规则的数据尽量转换成一组具有一定规则的数据。
(2)mapreduce的优化方法
maptask得并行度决定机制
一个 job 的 map 阶段并行度由客户端在提交 job 时决定， 客户端对 map 阶段并行度的规划的基本逻辑为：
将待处理数据执行逻辑切片（即按照一个特定切片大小，将待处理数据划分成逻辑上的多 个 split），然后每一个 split 分配一个 mapTask 并行实例处理
这段逻辑及形成的切片规划描述文件，是由 FileInputFormat实现类的 getSplits()方法完成的。
该方法返回的是 List<InputSplit>， InputSplit 封装了每一个逻辑切片的信息，包括长度和位置 信息，而 getSplits()方法返回一组 InputSplit
(3)数据倾斜的处理方式
1.增加reduce 的jvm内存
2.Combiner
3.复合键：在 map 阶段将造成倾斜的key 先分成多组，例如 aaa 这个 key,map 时随机在 aaa 后面加上 1,2,3,4 这四个数字之一，把 key 先分成四组，先进行一次运算，之后再恢复 key 进行最终运算。
如下图--把小的键值对合并成大的键值对：
(4)Partition 分区
默认分区（HashPartitioner）对key去hash值之后,然后在对reduceTaskNum进行取模（目的是为了平衡reduce的处理能力），然后决定由那个reduceTask来处理。
Reducer任务的数据来自于Mapper任务，也就说Mapper任务要划分数据
Partitioner决定了Map节点输出将被分区到拿个Reduce节点
(5)MR的join操作
map端join
使用hadoop中的DistributedCache(分布式缓存)把小数据分布到各个计算节点，每个map节点都要把小数据库加载到内存，按关键字建立索引。
reduce端join
1, map阶段没有对数据瘦身，shuffle的网络传输和排序性能很低。
2, reduce端对2个集合做乘积计算，很耗内存，容易导致OOM。
优化
- 使用mapreduce专为join设计的包
jar： mapreduce-client-core.jar
package： org.apache.hadoop.mapreduce.lib.join - Hive有对join进行优化
三.Hadoop的调度策略
hadoop的调度策略的实现
Hadoop在standalone模式下只有FIFO Scheduler 和 Fair Scheduler；
Hadoop-yarn模式下有FIFO Scheduler，Capacity Scheduler 和 Fair Scheduler策略
Capacity Scheduler
以队列为单位划分资源，每个队列设定一定比例的最低保证和使用上限；
Capacity Scheduler为每个人分配一个队列，每个队列占用的集群资源可以是相同的也可以是不同的，队列内部还是采用FIFO调度的策略。
Fair Scheduler
Fair Scheduler中有一个基于任务数量的负载均衡机制，该机制尽可能将系统中的任务分配到各个节点
四.Hadoop的安全机制
如何实现hadoop的安全机制
kerberos
