尚硅谷Hadoop 3.x MapReduce&Yarn学习指南
需积分: 18 79 浏览量
更新于2024-07-14
收藏 2.58MB PDF 举报
"Hadoop(3.x)之MapReduce&Yarn.pdf"
MapReduce是Hadoop生态中的核心组件,主要用于大规模数据集的并行处理。它是一个编程模型,旨在简化分布式计算,尤其适合处理和生成大型数据集。在Hadoop 3.x版本中,MapReduce继续作为大数据处理的主要工具之一。
1. MapReduce定义
MapReduce由两个主要阶段组成:Map阶段和Reduce阶段。在Map阶段,数据被分割成多个块,并在不同的节点上并行处理。然后,Reduce阶段将Map阶段的结果进行聚合和总结,生成最终的输出。用户主要通过实现Map和Reduce接口来编写业务逻辑,Hadoop框架负责处理数据分布、容错和资源调度。
2. MapReduce优点
- 易于编程:MapReduce采用分治策略,使得开发者只需关注单个数据处理,无需关心分布式系统的复杂性。
- 良好的扩展性:随着硬件需求的增长,只需添加更多节点,MapReduce就能自动适应并提升处理能力。
- 高容错性:系统能自动检测和处理故障,确保任务的连续性和完整性。
- 大规模数据处理:适合PB级别以上的离线批量数据处理,可以有效地处理海量数据。
3. MapReduce缺点
- 实时计算:MapReduce不适用于需要快速响应的实时查询或流式计算场景。
- 流式计算:输入数据必须是静态的,无法处理不断变化的数据流。
- DAG计算:不适合处理有依赖关系的多步骤作业,因为每个任务的输出是下一个任务的输入,这在MapReduce模型中不易实现。
YARN(Yet Another Resource Negotiator),是Hadoop 2.x引入的资源管理系统,负责集群资源的调度和管理。它将原本在JobTracker中的资源管理和作业调度功能分离,形成了ResourceManager(RM)和NodeManager(NM)两大核心组件。
- ResourceManager全局控制整个集群的资源分配,负责接收应用程序的请求,为应用程序分配资源。
- NodeManager是每个节点上的代理,负责管理该节点上的容器(Container),执行任务并监控其资源使用情况。
YARN的主要改进包括:
1. 提高了系统的资源利用率和性能,通过分离资源管理和任务调度,使得系统能更好地支持多种计算框架。
2. 提供更好的可伸缩性和健壮性,资源管理独立于具体的计算框架,使得故障恢复更加高效。
3. 支持更复杂的作业类型,如交互式查询、流处理等,通过引入新的调度器,如Capacity Scheduler和FIFO Scheduler。
Hadoop 3.x的MapReduce和YARN结合,为大数据处理提供了强大而灵活的平台,尽管它在某些特定场景下有所不足,但依然是大数据领域的重要工具。对于希望深入理解和使用Hadoop进行大数据处理的开发者而言,这份学习资料是宝贵的资源。
2020-03-26 上传
2018-03-23 上传
点击了解资源详情
2021-03-03 上传
2024-03-10 上传
点击了解资源详情
点击了解资源详情
2023-03-16 上传
2014-03-18 上传
訾尤
- 粉丝: 28
- 资源: 172