大数据处理架构Hadoop

2.1.1Hadoop简介

1.Hadoop是Apache软件基金会旗下一个分布式计算平台  基于Java

2.Hadoop的核心是分布式文件系统 HDFS 和 MapReduce

3.HDFS是对谷歌GFS的开源实现 具有较高的读写速度，容错性，可伸缩性

4.HDFS是冗余数据存储方式

5.MapReduce是针对谷歌MapReduce的开源实现 并行开发应用程序

2.1.2Hadoop的发展历史

1.Hadoop最初是由ApacheLucene项目的创始人Doug Cutting开发的文本搜索库

2.Hadoop源自于2002年Apache Nutch项目—一个开源的网络搜索引擎也是Lucene项目的一部分 Nutch模仿谷歌的GFS开发了NDFS 也是HDFS的前身

2.1.3Hadoop的特性

       1.高可靠性

       2.高效性

       3.高可扩展性

       4.高容错性

       5.成本低

       6.运行在Linux

       7.支持多编程语言

2.1.4Hadoop应用现状

       1.2007年雅虎在Sunnyvale总部建立M45—一个包含4000处理器的1.5PB级的Hadoop集群

       2.华为对Hadoop的贡献很大

2.2Hadoop的项目结构

2.2.1-----Common

1.Hadoop Common原名Hadoop Core 从Hadoop0.2更名为Common 在Hadoop2.2以及之前版本 Common 包含HDFS MapReduce和其他公共的项目内容

2.从Hadoop0.2开始HDFS和Mapreduce被分离出来作为单独子项目，其余部分构成Common

3.Common是为了Hadoop其他子项目提供支持的常用的工具 提供基本服务

主要包括：文件系统，RPC和串行化库

2.2.2-----Avro

1.Avro是Hadoop一个子项目，也是Apache中的一个独立项目

2.Avro是一个用于数据序列化的系统，提供丰富的数据结构类型，快速可压缩的二进制数据格式，存储持久性数据的文件集，远程调用RPC的功能和简单的动态语言集成功能

3.和Thrift类似，Avro支持跨编程语言实现

4.Avro有自己显著的特点：他依赖于模式(Schema)，数据的读写实在模式下完成的，需要动态的加载相关数据的模式，正是使用了模式，写入数据的开销大大减少，序列化速度大大提升，方便了动态脚本语言的使用，在把Avro数据保存到文件中时，数据连通模式一起被存储，这样，不同类型的程序都可以对文件进行处理，Avro和动态语言结合后，读写数据文件和使用RPC协议都不用生成代码，代码生成可作为一种可选的优化，只需要在静态类型语言中实现

 

2.2.3-----HDFS

1.把硬件故障作为一种常态，

2.HDFS放宽了一部分POSIX约束，实现了以流的方式访问文件系统中的数据

3.HDFS在访问应用程序数据时，可以拥有很高的吞吐率

2.2.4-----Hbase

1.Hbase是一个提供高可靠性，高性能，可伸缩，实时读写，分布式的列式数据库，一般使用HDFS作为底层存储

2.Hbase是针对谷歌的BigTable的开源实现，二者采用相同的数据模型，具有强大的非结构化数据存储的能力

3.Hbase与传统数据库的一个重要区别：hbase基于列存储，其他基于行存储

4.Hbase拥有良好的横向扩展能力，可以通过不断增加廉价服务器来增加存储能力

2.2.5-----MapReduce

1.Hadoop MapReduce是针对谷歌MapReduce的开源实现，是一种编程模式，用于大规模数据集（大于1TB）的并行计算

2.2.6-----Zookeeper

1.Zookeeper是针对谷歌Chubby的一个开源实现，是高效和可靠的协同工作系统，提供分布锁之类的基本服务，用于构建分布应用，使用java编写，使用了一个文件树结构相似的数据模型

2.2.7------Hive

1.Hive是一个基于Hadoop的数据仓库工具，可以用Hadoop文件中的数据集进行数据整理，分析，存储，提供类似SQL语言的查询语言HiveQL

2.2.8-----Pig

1.Pig是一种数据流语言和运行环境，适合使用Hadoop和mapreduce平台来查询大型半结构化数据集

2.简化了Hadoop的工作任务，在MapReduce的基础上创建了更简单的过程语言抽象，为Hadoop提供了一种近似SQL语言的接口

3.Pig是一个相对简单的语言，当我们需要从大型数据集中搜索满足某个特定条件的数据集时，pig比MapReduce好，只需要编写一个脚本在集群中自动并行处理与并发

2.2.9------Sqoop

1.主要用来在Hadoop和关系数据库之间交换数据

2.Sqoop主要通过JDBC进行交互

3.Sqoop是专门为大数据集设计的，支持增量更新，可以将新纪录添加到最近一次导出的数据源上，或者指定上次修改的时间戳

2.2.10-----Chukwa

1.Chuwa是一个开源，用于监控大型分布式系统的数据收集系统，可以将各类数据类型收集成适合Hadoop处理的文件，并保存在HDFS中进行各种MapReduce操作

2．Chuwa构建在HDFS和MapReduce框架之上，是一个强大灵活的数据集，用于展示，监控和分析已经收集的数据