Hadoop（入门）课堂笔记01

大数据概述

大数据概念

大数据主要解决，海量数据的采集、存储和分析计算问题。

大数据特点

1、Volume（大量）
2、Velocity（高速）
3、Variety（多样）
4、Value（低价值密度）

大数据部门间业务流程分析

Hadoop概述（入门）

1.1 Hadoop 是什么？

1）Hadoop是一个由Apache基金会（非盈利性的代码开发组织）所开发的分布式系统基础架构。

分布式系统是什么？

多台服务器共同完成某一项任务，比如一台电脑无法完成需要多台电脑。

2）主要解决，海量数据的存储和海量数据的分析计算问题。（记住这句话）
3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

hadoop生态圈有什么？

有hadoop本身和围绕hadoop集群周围的框架，有HBASE，HIVE，ZooKeeper，还有pig，不过被hive取代了，hive很强。

1.2 Hadoop 发展历史（了解）

Hadoop创始人Doug Cutting

1.3 Hadoop 三大发行版本（了解

Hadoop 三大发行版本：Apache、Cloudera、Hortonworks。

• Apache 版本最原始（最基础）的版本，对于入门学习最好。2006
• Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008成立
• Hortonworks 文档较好，对应产品 HDP。2011成立

Hortonworks 在2018年被 Cloudera 公司收购，推出新的品牌 CDP。

1.4 Hadoop 优势（4 高）

1）高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。

多个数据副本就是多个备份，某块硬盘里的数据丢失了还有备份。

2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点

双11、618可以动态增加服务器，双11过了再动态删除。原来是三台服务器工作扩展到5台。

3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。

4）高容错性：能够自动将失败的任务重新分配。

1.5 Hadoop 组成（面试重点）

Hadoop1.x、2.x、3.x有什么区别？
如图所示，

什么是资源调度？

• 在hadoop集群处理海量数据的时候需要内存和CPU，那么需要多少内存和多少CPU由yarn决定。

1.5.1 HDFS 架构概述
Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

1）NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
2）DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。
3）Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份

• 简单来说，nn就是老板，数据存储在什么位置，dn是员工，是实实在在存储的数据，2nn是秘书，每隔一段时间就对老板的数据存储信息进行备份。

1.5.2 YARN 架构概述

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

Yarn里面有什么？

1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大

2）NodeManager（NM）：单个节点服务器资源老大

前面两个名词要记住。

3）ApplicationMaster（AM）：单个任务运行的老大

4）Container：容器，相当一台独立的服务器，里面封装了
任务运行所需要的资源，如内存、CPU、磁盘、网络等.

说明1：客户端可以有多个
说明2：集群上可以运行多个ApplicationMaster
说明3：每个NodeManager上可以有多个Container

1.5.3 MapReduce 架构概述

MapReduce 将计算过程分为两个阶段：Map 和 Reduce
1）Map 阶段并行处理输入数据
2）Reduce 阶段对 Map 结果进行汇总

即map阶段把数据分出去,reduce阶段把处理后的数据进行汇总。
1.5.4 HDFS、YARN、MapReduce 三者关系

如图所示。

1.6 大数据技术生态体系

1.7 推荐系统框架图