Hadoop的版本

Hadoop发行版本分为开源社区版和商业版，社区版是指由Apache软件基金会维护的版本，是官方维护的版本体系。商业版Hadoop是指由第三方商业公司在社区版Hadoop基础上进行了一些修改、整合以及各个服务组件兼容性测试而发行的版本，例如比较著名的有Cloudera公司的CDH版本。

为了方便学习，本书采用开源社区版，而Hadoop自诞生以来，主要分为Hadoop1、Hadoop2、Hadoop3三个系列的多个版本。由于目前市场上最主流的是Hadoop2.x版本，因此，本书只针对Hadoop2.x版本进行相关介绍。

Hadoop2.x版本指的是第2代Hadoop，它是从Hadoop1.x发展而来的，并且相对于Hadoop1.x来说，有很多改进。下面我们从Hadoop1.x到Hadoop2.x发展的角度，对两版本进行讲解，如图1所示。

​ 图1 Hadoop版本内核演变

通过图1可以看出，Hadoop1.0内核主要由分布式存储系统HDFS和分布式计算框架MapReduce两个系统组成，而Hadoop2.x版本主要新增了资源管理框架Yarn以及其他工作机制的改变。

在Hadoop1.x版本中，HDFS与MapReduce结构如图2和3所示。

​ 图2 HDFS组成结构

​ 图3 MapReduce组成结构

从图2可以看出，HDFS由一个NameNode和多个DateNode组成，其中，DataNode负责存储数据，但是数据具体存储到哪个DataNode节点，则是由NameNode来决定的。

从图3可以看出MapReduce由一个JobTracker和多个TaskTracker组成，其中，MapReduce的主节点JobTracker只有一个，从节点TaskTracker有很多个，JobTracker与TaskTracker在MapReduce中的角色就像是项目经理与开发人员的关系，而JobTracker负责接收用户提交的计算任务、将计算任务分配给TaskTracker执行、跟踪，JobTracker同时监控TaskTracker的任务执行状况等。当然，TaskTracker只负责执行JobTracker分配的计算任务，正是由于这种机制，

Hadoop1.x架构中的HDFS和MapReduce存在以下缺陷：

（1）HDFS中的NameNode、SecondaryNode单点故障，风险是比较大的。其次，NameNode内存受限不好扩展，因为Hadoop1.x版本中的HDFS只有一个NameNode，并且要管理所有的DataNode。

（2）MapReduce中的JobTracker职责过多，访问压力太大，会影响系统稳定。除此之外，MapReduce难以支持除自身以外的框架，扩展性较低的不足。

Hadoop2.x版本为克服Hadoop1.x中的不足，对其架构进行了以下改进：

（1）Hadoop2.x可以同时启动多个NameNode，其中一个处于工作（Active）状态，另一个处于随时待命（Standby）状态，这种机制被称为Hadoop HA（Hadoop高可用），这样当一个NameNode所在的服务器宕机时，可以在数据不丢失的情况下，自动切换到另一个NameNode持续提供服务。

（2）Hadoop2.x将JobTracker中的资源管理和作业控制分开，分别由ResourceManager（负责所有应用程序的资源分配）和ApplicationMaster（负责管理一个应用程序）实现，即引入了资源管理框架Yarn，它是一个通用的资源管理框架，可以为各类应用程序进行资源管理和调度，不仅限于MapReduce一种框架，也可以为其他框架使用，如Tez、Spark、Storm，这种设计不仅能够增强不同计算模型和各种应用之间的交互，使集群资源得到高效利用，而且能更好地与企业中已经存在的计算结构集成在一起。

（3）Hadoop2.x中的MapReduce是运行在Yarn上的离线处理框架，它的运行环境不再由JobTracker和TaskTracker等服务组成，而是变成通用资源管理Yarn和作业控制进程ApplicationMaster，从而使MapReduce在速度上和可用性上都有很大的提高。

关于Hadoop2.0的HDFS、MapReduce以及Yarn的具体介绍，我们将在后续详细讲解，这里大家有个印象即可。