2021-04-16

数据来源：拉钩教育大数据高薪开发训练营

Hadoop学习第一部分：Hadoop简介

第一节 什么是Hadoop

Hadoop 是一个适合大数据的分布式存储和计算平台。
Hadoop的广义和狭义之分
狭义的Hadoop:
指的是一个框架，Hadoop是由三部分组成：
HDFS：分布式文件系统–>存储；
MapReduce:分布式离线计算框架–>计算；
Yarn:资源调度框架;
广义的Hadoop:
广义Hadoop是不仅仅包含Hadoop框架，除了Hadoop框架之外还有一些辅助框架。Flume：日志数据采集;
Sqoop：关系型数据库数据的采集；
Hive:深度依赖Hadoop框架完成计算（sql）;
Hbase:大数据领域的数据库（mysql）;
Sqoop：数据的导出;
Kafka 高吞吐消息中间件;
…等等

广义Hadoop指的是一个生态圈。

第二节 Hadoop的起源

Hadoop 的发展历程可以用如下过程概述：
Nutch —> Google论文（GFS、MapReduce）
—> Hadoop产生
—> 成为Apache顶级项目
—> Cloudera公司成立（Hadoop快速发展）

Hadoop最早起源于Nutch，Nutch 的创始人是Doug Cutting
Nutch 是一个开源 Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬虫，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。

2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。GFS，可用于处理海量网页的存储；MapReduce，可用于处理海量网页的索引计算问题。
Google的三篇论文（三驾马车）
GFS：Google的分布式文件系统（Google File System）
MapReduce：Google的分布式计算框架
BigTable：大型分布式数据库

发展演变关系：
GFS —> HDFS
Google MapReduce —> Hadoop MapReduce
BigTable —> HBase
随后，Google公布了部分GFS和MapReduce思想的细节，Doug Cutting等人用2年的业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
2005年，Hadoop 作为Lucene的子项目Nutch的一部分引入Apache
2006年，Hadoop从Nutch剥离出来独立
2008年，Hadoop成为Apache的顶级项目

Hadoop这个名字来源于Hadoop之父Doug Cutting儿子的毛绒玩具象

第三节 Hadoop的特点

第四节 Hadoop的发行版本

目前Hadoop发行版非常多，有Cloudera发行版（CDH）、Hortonworks发行版、华为发行版、Intel发行版等，所有这些发行版均是基于Apache Hadoop衍生出来的，之所以有这么多的版本，是由Apache Hadoop的开源协议决定的（任何人可以对其进行修改，并作为开源或商业产品发布/销售）。

企业中主要用到的三个版本分别是：Apache Hadoop版本（最原始的，所有发行版均基于这个版本进行改进）、Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称“CDH”）、Hortonworks版本（Hortonworks Data Platform，简称“HDP”）。
Apache Hadoop 原始版本
官网地址：

http://hadoop.apache.org/

优点：拥有全世界的开源贡献，代码更新版本比较快
缺点：版本的升级，版本的维护，以及版本之间的兼容性，学习非常方便
Apache所有软件的下载地址（包括各种历史版本）：

http://archive.apache.org/dist/

软件收费版本ClouderaManager CDH版本 --生产环境使用
官网地址：

https://www.cloudera.com/

Cloudera主要是美国一家大数据公司在Apache开源Hadoop的版本上，通过自己公司内部的各种补丁，实现版本之间的稳定运行，大数据生态圈的各个版本的软件都提供了对应的版本，解决了版本的升级困难，版本兼容性等各种问题，生产环境强烈推荐使用

免费开源版本HortonWorks HDP版本–生产环境使用
官网地址：

https://hortonworks.com/

hortonworks主要是雅虎主导Hadoop开发的副总裁，带领二十几个核心成员成立Hortonworks，核心产品软件HDP（ambari），HDF免费开源，并且提供一整套的web管理界面，供我们可以通过web界面管理我们的集群状态，web管理界面软件HDF网址：

http://ambari.apache.org/

第五节 Apache Hadoop版本更迭

0.x 系列版本：Hadoop当中最早的一个开源版本，在此基础上演变而来的1.x以及2.x的版本
1.x 版本系列：Hadoop版本当中的第二代开源版本，主要修复0.x版本的一些bug等
2.x 版本系列：架构产生重大变化，引入了yarn平台等许多新特性
3.x 版本系列：EC技术、YARN的时间轴服务等新特性

第六节 Hadoop的优缺点

Hadoop的优点
Hadoop具有存储和处理数据能力的高可靠性。
Hadoop通过可用的计算机集群分配数据，完成存储和计算任务，这些集群可以方便地扩展到数以千计的节点中，具有高扩展性。
Hadoop能够在节点之间进行动态地移动数据，并保证各个节点的动态平衡，处理速度非常快，具有高效性。
Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配，具有高容错性。

Hadoop的缺点
Hadoop不适用于低延迟数据访问。
Hadoop不能高效存储大量小文件。
Hadoop不支持多用户写入并任意修改文件。