Programacion Web Practica 1 Estudio de la aplicación distribuida: Apache Hadoop

Qué es Apache Hadoop Apache Hadoop es un framework de software que soporta aplicaciones distribuidas bajo una licencia libre. Permite a las aplicaciones trabajar con miles de nodos y petabytes de datos. Objetivo: analizar y gestionar resultados extraídos de ficheros de gran tamaño (petabytes) de manera rápida. Hadoop fue creado por Doug Cutting. Ventajas: Bajo coste Facilidad de uso Tolerancia a fallos

Conceptos clave Replicación: la alta disponibilidad se debe a la replicación. Cada bloque de archivo se replica a otros nodos en función de “factor de replicación”. (1,2,3) Arquitectura: hadoop se base en la arquitectura maestro esclavo. Un clúster hadoop tiene un solo nodo maestro y varios esclavos. Nodo master: se encarga de almacenar el metadato de los nodos esclavos dentro del rack del que forma parte. Nodo esclavo: almacena la información que en un momento dado es procesada por el nodo master Rack : se denomina rack a la combinacion de “nodos de datos”. Un rack puede tener como máximo 40 nodos master. Proceso cliente: proceso que se lanza a peticion de un nodo master ya sea para almacenamiento de archivo nuevo o recuperación de un archivo en el clúster Hadoop.

Componentes de software de hadoop HDFS MAP REDUCE

HDFS Sistema de archivos distribuido, escalable y portátil escrito en Java. Permite conectar nodos (máquinas de bajo coste a nivel de hardware) formando clusters. Los cálculos se realizan en la máquina donde residen los datos en lugar de mover los datos donde se realiza la petición. Tanto los nodos master o nodo de metadatos como esclavo o nodo de datos son componentes software.

HDFS(2) Un cluster esta compuesto por un nodo master (regula el namespace y las peticones)y varios esclavos (almacenan la informacion) El protocolo de comunicación es TCP/IP. HDFS se conecta a un puerto TCP abierto en el namenode, y luego se comunica con el namenode usando el protocolo RPC(Remote Procedure Call). Para evitar los fallos se replica la información por cercanía de nodos. El factor de replicación es un parámetro configurable.

Ventajas de HDFS Diseñado para almacenar ficheros muy grandes en commodity hardware (máquinas comunes y corrientes a nivel de hardware) Fiabilidad mediante replicación Tolerancia a fallos Procesamiento de los datos donde están almacenados en lugar de moverlos

Inconvenientes de HDFS Elevada latencia Poco eficiente con muchos ficheros pequeños Modificaciones siempre al final de los ficheros No permite múltiples writers

MAP REDUCE Un modelo de programación y una implementación asociada para solucionar problemas de computación paralela sobre datos de gran escala. Consta de dos fases: Map y Reduce. Las funciones map y reduce se aplican sobre pares de datos(clave,valor) y devuelve una lista de pares (clave2,valor2). Esta operación se realiza en paralelo para cada par de datos de entrada Luego se agrupan todos los pares generados creando una lista por cada una de las claves generadas. Reduce se realiza en paralelo tomando como entrada cada lista de las obtenidas en el Map y produciendo una colección de valores.

Ventajas e inconvenientes Map Reduce Ventajas: Aísla la aplicación de los detalles de la ejecución de un programa distribuido, tales como los problemas de distribución de datos, planificación y tolerancia a las fallas La lógica de procesamiento es la que se mueve a donde están los datos. Inconvenientes: La flexibilidad del modelo clave/valor, puesto que es demasiado restrictivo y por ello dificulta el desarrollo. Dificultad excesiva al hacer un reduce join y otros cálculos con fuentes de datos heterogéneas.