一、Hadoop的整体架构

Hadoop是一个专为大数据设计的架构解决方案，历经多年开发演进，已逐渐发展成为一个庞大且复杂的系统。其内部工作机制融合了分布式理论与具体工程开发的精髓，构成了一个整体架构。

Hadoop最朴素的原理在于，它利用大量的普通计算机来处理大规模数据的存储和分析任务，而非依赖于单一的超级计算机。这一设计理念不仅降低了硬件成本，还通过分布式处理提高了系统的可扩展性和容错性。

Hadoop作为大数据处理领域的基石性架构，其设计理念体现了"分而治之"的分布式计算哲学。经过十余年的技术演进，Hadoop已从最初的单一计算框架发展为包含存储、资源管理、计算引擎等完整组件的生态系统，其架构复杂度反映了分布式系统理论与工程实践的深度融合。

Hadoop 系统的一个架构图，现在已经有了非常多的组件，但最核心的两部分依然是底层的文件系统 HDFS和用于计算的 MapReduce。来看下 Hadoop 系统中的一些重要组成部分。

在这里插入图片描述

二、HDFS（分布式文件系统）

HDFS 主要有 NameNode、DataNode、Secondary NameNode 三大组件：

‌NameNode‌
- 管理文件系统的命名空间
- 协调客户端对文件的访问
- 存储文件系统的元数据
‌Secondary NameNode‌
- 定期合并NameNode的编辑日志和镜像文件，减少NameNode启动时间
- 提供NameNode的备份，但不用于故障切换
‌DataNode‌
- 存储实际的数据块
- 执行数据的读写操作
- 定期向NameNode报告其存储的数据块信息

在这里插入图片描述

Primary Namenode 与 Secondary Namenode

在这里插入图片描述

三、MapReduce（分布式计算框架）

MapReduce 核心思想：分而治之的并行计算

3.1 拆分（Split）→ 并行计算（Map）‌

输入数据被自动切割为 ‌分片（Split）‌（默认与 HDFS Block 对齐） → 分发到集群节点‌。
‌Map 阶段‌：每个节点对本地数据执行相同的用户自定义函数，输出中间键值对 (key, value)。

👉 实质：将大规模问题分解为独立子问题

3.2 聚合（Shuffle）→ 归约（Reduce）

‌Shuffle 阶段‌：框架按 key 将中间结果跨节点分组、排序、传输（核心瓶颈）‌。
‌Reduce 阶段‌：相同 key 的数据发送到同一节点，执行归约逻辑（如求和、去重）。

👉 实质：合并子问题的结果生成全局解

MapReduce Split
在这里插入图片描述
MapReduce Shuffle

四、Yarn(资源调度与管理框架)

老周在之前讲解Flink架构的时候讲过YARN集群架构，我这里直接拿我之前Yarn的架构图。YARN集群总体上是经典的主／从(Master/Slave)架构，主要由ResourceManager、NodeManager、ApplicationMaster和Container等几个组件构成。

在这里插入图片描述

4.1 ResourceManager

以后台进程的形式运行，负责对集群资源进行统一管理和任务调度。ResourceManager的主要职责如下：

接收来自客户端的请求。
启动和管理各个应用程序的ApplicationMaster。
接收来自ApplicationMaster的资源申请，并为其分配Container。
管理NodeManager，接收来自NodeManager的资源和节点健康情况汇报。

4.2 NodeManager

集群中每个节点上的资源和任务管理器，以后台进程的形式运行。它会定时向ResourceManager汇报本节点上的资源（内存、CPU）使用情况和各个Container的运行状态，同时会接收并处理来自ApplicationMaster的Container启动／停止等请求。NodeManager不会监视任务，它仅监视Container中的资源使用情况，例如。如果一个Container消耗的内存比最初分配的更多，就会结束该Container。

4.3 Task

应用程序具体执行的任务。一个应用程序可能有多个任务，例如一个MapReduce程序可以有多个Map任务和多个Reduce任务。

4.4 Container

YARN中资源分配的基本单位，封装了CPU和内存资源的一个容器，相当于一个Task运行环境的抽象。从实现上看，Container是一个Java抽象类，定义了资源信息。应用程序的Task将会被发布到Container中运行，从而限定了Task使用的资源量。

一个应用程序所需的Container分为两类：运行ApplicationMaster的Container和运行各类Task的Container。前者是由ResourceManager向内部的资源调度器申请和启动的，后者是由ApplicationMaster向ResourceManager申请的，并由ApplicationMaster请求NodeManager进行启动。

我们可以将Container类比成数据库连接池中的连接，需要的时候进行申请，使用完毕后进行释放，而不需要每次独自创建。

4.5 ApplicationMaster

ApplicationMaster可在Container内运行任何类型的Task。例如，MapReduce ApplicationMaster请求一个容器来启动Map Task或Reduce Task。也可以实现一个自定义的ApplicationMaster来运行特定的Task，以便任何分布式框架都可以受YARN支持，只要实现了相应的ApplicationMaster即可。

我们可以这样认为：ResourceManager管理整个集群，NodeManager管理集群中的单个节点，ApplicationMaster管理单个应用程序（集群中可能同时有多个应用程序在运行，每个应用程序都有各自的ApplicationMaster）。

YARN集群中应用程序的执行流程如下图所示：

客户端提交应用程序（可以是MapReduce程序、Spark程序等）到ResourceManager。
ResourceManager分配用于运行ApplicationMaster的Container，然后与NodeManager通信，要求它在该Container中启动ApplicationMaster。ApplicationMaster启动后，它将负责此应用程序的整个生命周期。
ApplicationMaster向ResourceManager注册（注册后可以通过ResourceManager查看应用程序的运行状态）并请求运行应用程序各个Task所需的Container（资源请求是对一些Container的请求）。如果符合条件，ResourceManager会分配给ApplicationMaster所需的Container（表达为Container ID和主机名）。
ApplicationMaster请求NodeManager使用这些Container来运行应用程序的相应Task（即将Task发布到指定的Container中运行）。

此外，各个运行中的Task会通过RPC协议向ApplicationMaster汇报自己的状态和进度，这样一旦某个Task运行失败，ApplicationMaster就可以对其重新启动。当应用程序运行完成时，ApplicationMaster会向ResourceManager申请注销自己。

在这里插入图片描述