Hadoop学习（1）-Hadoop发展背景

原文来自：扎心了，老铁的《Hadoop学习之路（二）Hadoop发展背景》

一、Hadoop产生的背景

1、HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

2、2003年开始谷歌陆续发表的三篇论文为该问题提供了可行的解决方案。

（1）分布式文件系统（GFS），可用于处理海量网页的存储。

（2）分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

（3）BigTable 数据库：OLTP 联机事务处理 Online Transaction Processing 增删改
　　　　　　　　　　OLAP 联机分析处理 Online Analysis Processing 查询
　　　　　　　　　　真正的作用：提供了一种可以在超大数据集中进行实时CRUD操作的功能

3、Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

二、Hadoop是啥

Hadoop的官网：http://hadoop.apache.org/

1、Hadoop是Apache旗下的一套开源软件平台。

2、Hadoop提供的功能：利用服务器集群，根据用户自定义的逻辑对海量数进行分布式处理。

3、Hadoop的核心组件：

　　1)  Hadoop Common：支持其他Hadoop模块的常用工具。

　　2)  Hadoop分布式文件系统（HDFS™）：一种分布式文件系统，可提供对应用程序数据的高吞吐量访问。

　　3)  Hadoop YARN：作业调度和集群资源管理的框架。

　　4)  Hadoop MapReduce：一种用于并行处理大型数据集的基于YARN的系统。

　　大数据的处理主要就是存储和计算。

如果说安装hadoop集群，其实就是安装了两个东西： 一个操作系统YARN 和 一个文件系统HDFS。其实MapReduce就是运行在YARN之上的应用。

操作系统 　　文件系统 　　应用程序
win7 　　　　NTFS　　　  QQ，WeChat
YARN 　　　 HDFS 　　     MapReduce

4、hadoop的概念：

　　狭义上： 就是apache的一个顶级项目：apahce hadoop

　　广义上: 就是指以hadoop为核心的整个大数据处理体系

5、Apache的其他Hadoop相关项目包括：

• Ambari™：一种用于供应，管理和监控Apache Hadoop集群的基于Web的工具，其中包括对Hadoop HDFS，Hadoop MapReduce，Hive，HCatalog，HBase，ZooKeeper，Oozie，Pig和Sqoop的支持。Ambari还提供了一个用于查看群集运行状况的仪表板，例如热图和可以直观地查看MapReduce，Pig和Hive应用程序的功能，以及以用户友好的方式诊断其性能特征的功能。
• Avro™：数据序列化系统。
• Cassandra™：无单点故障的可扩展多主数据库。
• Chukwa™：管理大型分布式系统的数据收集系统。
• HBase™：可扩展的分布式数据库，支持大型表格的结构化数据存储。
• Hive™：提供数据汇总和即席查询的数据仓库基础架构。
• Mahout™：可扩展的机器学习和数据挖掘库。
• Pig™：用于并行计算的高级数据流语言和执行框架。
• Spark™：用于Hadoop数据的快速和通用计算引擎。Spark提供了一个简单而富有表现力的编程模型，它支持广泛的应用程序，包括ETL，机器学习，流处理和图计算。
• Tez™：一种基于Hadoop YARN的通用数据流编程框架，它提供了一个强大且灵活的引擎，可执行任意DAG任务来处理批处理和交互式用例的数据。Hado™，Pig™和Hadoop生态系统中的其他框架以及其他商业软件（例如ETL工具）正在采用Tez来替代Hadoop™MapReduce作为底层执行引擎。
• ZooKeeper™：分布式应用程序的高性能协调服务。

三、Hadoop生态圈以及各组成部分的简介

重点组件：

HDFS：Hadoop的分布式文件存储系统。

MapReduce：Hadoop的分布式程序运算框架，也可以叫做一种编程模型。

Hive：基于Hadoop的类SQL数据仓库工具。

Hbase：基于Hadoop的列式分布式NoSQL数据库。

ZooKeeper：分布式协调服务组件。

Mahout：基于MapReduce/Flink/Spark等分布式运算框架的机器学习算法库。

Oozie/Azkaban：工作流调度引擎。

Sqoop：数据迁入迁出工具。

Flume：日志采集工具。