Hadoop个人资料Hadoop发展到这里已经有一年了。 版本经过无数次的更新迭代，现在市场上把Hadoop分为Hadoop1、Hadoop2、Hadoop3三个版本。
Hadoop1在Hadoop1版本问世之初，为了解决两个问题进行了介绍。 一个是如何存储大量数据的问题，另一个是如何计算大量数据的问题。 Hadoop1的核心设计是HDFS (hadoopdistributedfilesystem )和MapReduce。 HDFS解决了大量数据存储问题。 MapReduce解决了如何计算大量数据的问题。
HDFS1体系结构：HDFS1：是主要体系结构，主节点只有名为NameNode，从节点有多个名为DateNode。
NameNode
1、管理元数据信息(文件目录树)、文件与块、块与数据主机的关系。
2、NameNode为了快速响应用户的操作请求(例如文件上传、文件下载、文件添加、删除、变更、调查)，将要素数据信息加载到存储器中。
DataNode
1、保存数据，将上传的数据分割为固定大小的文件块。 (Hadoop1，默认值为64MB )。
2、为了保证数据安全，每个文件默认有三个副本。HDFS1场景解释：将此128M文件划分为每块64MB，然后上传到DataNode。
HDFS1的体系结构缺陷： 单点故障问题
内存受限问题
这样，HDFS2便可获得单点故障的解决方案：
方案1 :使用两个NameNode创建共享目录，并将元素数据放在共享目录中。 但是，只要共享目录有问题，两台NameNode就有问题。
使用两台服务器实现方案hadoop的高可用性。 建议不要仅使用日记账节点，因为它需要在活动名称停机后手动重新启动。 建议添加zookeeper。流程：
1 .在两个节点上安装NameNode。
2 .每个NameNode所在的节点都有监视器ZKFC。
3 .监视器监视NameNode的状态，在zk中注册节点。
4 .两个NameNode谁先注册zk成功，谁就处于活动状态，剩下的是standby。
如果活动节点锁定，监视器将注销在zk中注册的节点。
6 .如果standby监视器检测到zk的节点消失，它将立即注册并通知处于standby状态的NameNode开始工作。 standby首先前往远程运行kill -9 activeNameNode节点的端口，杀死他，然后切换到active状态开始工作。
7 .活动名称和标准名称使用JN进行主从复制。内存受限的解决方案：
使用QJM (联邦)程序创建多个高可用性HAdoop群集。 虽然各ha集群之间保存的元数据信息不同，但集群和集群之间是一体的，DataNode之间也共享元数据。
摘要：与hadoop1.0相比，hadoop2.0的资源管理器YARN更多，不仅可以用于MapReduce的计算框架，还可以用于Tez、Spark、Storm等其他框架。 HAdoop还增加了ha的可靠机制。 hadoop2后的块分割大小默认为128MB。
扩展：为什么hadoop2后的块分区大小默认为128MB？为什么HDFS的块大小设置为128M？
HDFS中的平均寻址时间约为10ms；
前人大量测试结果表明，寻址时间为传输时间的1%时，处于最佳状态；
因此，最佳传输时间为10ms/0.01=1000ms=1s
当前，磁盘的传输率一般为100MB/s。
计算最佳块大小： 100MB/s x 1s=100MB
因此，将块大小设定为128MB。
实际上，在工业生产中，在盘传输速度为200MB/s的情况下，通常将块大小设定为256MB
如果磁盘传输率为400MB/s，则块大小通常设置为512MB。
思考：为什么块的大小不能太小也不能太大？
)1)如果HDFS的块设置太小，寻址时间会变长，程序会寻找块的开始位置。
)2)如果块设置过大，从磁盘传输数据的时间将大大长于确定该块的开始位置所需的时间。 程序在处理这个数据时会变得非常慢。
摘要： HDFS块的大小设置主要取决于磁盘传输率。 这也是因为128MB正好是最佳的传输损耗。
磁盘传输速度越高，块的大小就越大。
HDFS3
相对于hadoop2的 新特性主要两点是：
支持多余2个以上的NameNodes
针对HDFS NameNode的高可用性，最初实现方式是提供一个活跃的（active）NameNode和一个备用的（Standby）NameNode。通过对3个JournalNode的法定数量的复制编辑，使得这种架构能够对系统中任何一个节点的故障进行容错。
该功能能够通过运行更多备用NameNode来提供更高的容错性，满足一些部署的需求。比如，通过配置3个NameNode和5个JournalNode，集群能够实现两个节点故障的容错。
HDFS支持纠删码（erasure coding）
纠删码是一种比副本存储更节省存储空间的数据持久化存储方法。比如Reed-Solomon(10,4)标准编码技术只需要1.4倍的空间开销，而标准的HDFS副本技术则需要3倍的空间开销。由于纠删码额外开销主要在于重建和远程读写，它通常用来存储不经常使用的数据（冷数据）。另外，在使用这个新特性时，用户还需要考虑网络和CPU开销。
最低Java版本要求从Java7变为Java8
所有Hadoop的jar都是基于Java 8运行是版本进行编译执行的，仍在使用Java 7或更低Java版本的用户需要升级到Java 8。
HDFS支持纠删码（erasure coding）
纠删码是一种比副本存储更节省存储空间的数据持久化存储方法。比如Reed-Solomon(10,4)标准编码技术只需要1.4倍的空间开销，而标准的HDFS副本技术则需要3倍的空间开销。由于纠删码额外开销主要在于重建和远程读写，它通常用来存储不经常使用的数据（冷数据）。另外，在使用这个新特性时，用户还需要考虑网络和CPU开销。
YARN时间线服务 v.2(YARN Timeline Service v.2)
YARN Timeline Service v.2用来应对两个主要挑战：（1）提高时间线服务的可扩展性、可靠性，（2）通过引入流(flow)和聚合(aggregation)来增强可用性。为了替代Timeline Service v.1.x，YARN Timeline Service v.2 alpha 2被提出来，这样用户和开发者就可以进行测试，并提供反馈和建议，不过YARN Timeline Service v.2还只能用在测试容器中。
重写Shell脚本
Hadoop的shell脚本被重写，修补了许多长期存在的bug，并增加了一些新的特性。
覆盖客户端的jar（Shaded client jars）
在2.x版本中，hadoop-client Maven artifact配置将会拉取hadoop的传递依赖到hadoop应用程序的环境变量，这回带来传递依赖的版本和应用程序的版本相冲突的问题。
HADOOP-11804 添加新 hadoop-client-api和hadoop-client-runtime artifcat，将hadoop的依赖隔离在一个单一Jar包中，也就避免hadoop依赖渗透到应用程序的类路径中。
支持Opportunistic Containers和Distributed Scheduling
ExecutionType概念被引入，这样一来，应用能够通过Opportunistic的一个执行类型来请求容器。即使在调度时，没有可用的资源，这种类型的容器也会分发给NM中执行程序。在这种情况下，容器将被放入NM的队列中，等待可用资源，以便执行。Opportunistic container优先级要比默认Guaranteedcontainer低，在需要的情况下，其资源会被抢占，以便Guaranteed container使用。这样就需要提高集群的使用率。
Opportunistic container默认被中央RM分配，但是，目前已经增加分布式调度器的支持，该分布式调度器做为AMRProtocol解析器来实现。
MapReduce任务级本地优化
MapReduce添加了映射输出收集器的本地化实现的支持。对于密集型的洗牌操作（shuffle-intensive）jobs，可以带来30%的性能提升。
支持多余2个以上的NameNodes
针对HDFS NameNode的高可用性，最初实现方式是提供一个活跃的（active）NameNode和一个备用的（Standby）NameNode。通过对3个JournalNode的法定数量的复制编辑，使得这种架构能够对系统中任何一个节点的故障进行容错。
该功能能够通过运行更多备用NameNode来提供更高的容错性，满足一些部署的需求。比如，通过配置3个NameNode和5个JournalNode，集群能够实现两个节点故障的容错。
修改了多重服务的默认端口
在之前的Hadoop版本中，多重Hadoop服务的默认端口在Linux临时端口范围内容（32768-61000），这就意味着，在启动过程中，一些服务器由于端口冲突会启动失败。这些冲突端口已经从临时端口范围移除，NameNode、Secondary NameNode、DataNode和KMS会受到影响。我们的文档已经做了相应的修改，可以通过阅读发布说明 HDFS-9427和HADOOP-12811详细了解所有被修改的端口。
提供文件系统连接器（filesystem connnector）,支持Microsoft Azure Data Lake和Aliyun对象存储系统
Hadoop支持和Microsoft Azure Data Lake和Aliyun对象存储系统集成，并将其作为Hadoop兼容的文件系统。
数据节点内置平衡器（Intra-datanode balancer）
在单一DataNode管理多个磁盘情况下，在执行普通的写操作时，每个磁盘用量比较平均。但是，当添加或者更换磁盘时，将会导致一个DataNode磁盘用量的严重不均衡。由于目前HDFS均衡器关注点在于DataNode之间（inter-），而不是intra-，所以不能处理这种不均衡情况。
在hadoop3 中，通过DataNode内部均衡功能已经可以处理上述情况，可以通过hdfs diskbalancer ClI来调用。
重写了守护进程和任务的堆管理机制
针对Hadoop守护进程和MapReduce任务的堆管理机制，Hadoop3 做了一系列的修改。
HADOOP-10950 引入配置守护进程堆大小的新方法。特别地，HADOOP_HEAPSIZE配置方式已经被弃用，可以根据主机的内存大小进行自动调整。
MAPREDUCE-5785 简化了MAP的配置，减少了任务堆的大小，所以不需要再任务配置和Java可选项中明确指出需要的堆大小。已经明确指出堆大小的现有配置不会受到该改变的影响。
S3Gurad:为S3A文件系统客户端提供一致性和元数据缓存
HADOOP-13345 为亚马逊S3存储的S3A客户端提供了可选特性：能够使用DynamoDB表作为文件和目录元数据的快速、一致性存储。
HDFS的基于路由器互联（HDFS Router-Based Federation）
HDFS Router-Based Federation添加了一个RPC路由层，为多个HDFS命名空间提供了一个联合视图。这和现有的ViewFs、HDFS Federation功能类似，区别在于通过服务端管理表加载，而不是原来的客户端管理。从而简化了现存HDFS客户端接入federated cluster的操作。
基于API配置的Capacity Scheduler queue configuration
OrgQueue扩展了capacity scheduler，提供了一种编程方法，该方法提供了一个REST API来修改配置，用户可以通过远程调用来修改队列配置。这样一来，队列的administer_queue ACL的管理员就可以实现自动化的队列配置管理。
YARN资源类型
Yarn资源模型已经被一般化，可以支持用户自定义的可计算资源类型，而不仅仅是CPU和内存。比如，集群管理员可以定义像GPU数量，软件序列号、本地连接的存储的资源。然后，Yarn任务能够在这些可用资源上进行调度。