第二章 从Hadoop框架讨论大数据生态
2.1、Hadoop 是什么
1)Hadoop是一个由Apache基金会所开发的分布式系统基础架构
2)主要解决,海量数据的存储和海量数据的分析计算问题
3)广义上来说,Hadoop通常是指一个更广泛的概念——Hadoop生态圈
2.2、Hadoop发展历史
1)Luncene框架是Doug Cutting开创的开源软件,用java书写代码,实现Google类似的全文搜索功能,它提供了全文检索引擎的架 构,包括完整的查询引擎和搜索引擎。
2)2001年年底Lucene成为Apache基金会的一个子项目。
3)对于海量数据的场景,Lucene面对与Google同样的困难,存储数据困难,检索速度慢。
4)学习和模仿Google解决这些问题的办法:微型版Nutch。
5)可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文)
GFS——>HDFS
Map-Reduce——>MR
BigTable——>HBase
6)2003-2004年,Google公开了部分GFS和MapReduce思想的细节,以此为鸡翅Doug Cutting等人用了2年业余时间实现了DFS和 MapReduce机制,是Nutch性能飙升。
7)2005年Hadoop作为Lucence的子项目Nutch的一部分正式引入Apache基金会.
8)2006年3月份,Map-Reduce和Nutch Distributed File System(NDFS)分别被纳入到Hadoop项目中,Hadoop就此正式诞生,标 志着大数据时代来临
9)名字来源于Dong Cutting儿子的玩具大象。
2.3、Hadoop三大发行版本
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
Cloudera在大型互联网企业中用的较多
Hortonworks文档较好
1、Apache Hadoop
官网地址:http://hadoop.apache.org/releases.html
下载地址:http://archive.apache.org/dist/hadoop/commmon/
2、Cloudera Hadoop
官网地址:http://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址:http://archive-primary.cloudera.com/cdh5/cdh/5/
1)2008年成立的Cloudera是最早将Hadoop商用的公司,为合作伙伴提供Hadoop的商用解决方案,主要包括支持、咨询服务、培训
2)2009年Hadoop的创始人Dong Cutting也加盟Cloudera公司。Cloudera产品主要为CDH,Cloudera Manager,Cloudera Support
3)CDH是Cloudera的Hadoop发行版,完全开源,比Apache Hadoop在兼容性,安全性,稳定性上有所增强。
4)Cloudera Manager是集群的软件分发及管理监控平台,可以在几个小时内部署好一个Hadoop集群,并对集群的节点及服务进行 实时监控。Cloudera Support即是对Hadoop的技术支持
5)Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目
3、Hortonworks Hadoop
官网地址:http://hortonworks.com/producuts/data-center/hdp/
下载网址:http://hortonworks.com/downloads/#data-platform
1)2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Carital合资组建
2)公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师,上述工程师均在2005年开始协助雅虎开发Hadoop,贡献 了Hadoop80%的代码。
3)雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。
4)Hortonworks的主打产品是Hortonworks Data Platform(HDP),也同样是100%开源的产品,HDP除常见的项目外还包了Ambari, 一款开源的安装和管理系统。
2.4、Hadoop的优势(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
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
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
2.5、Hadoop组成(面试重点)
Hadoop1.x和Hadoop2.x的区别
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TwyfCkay-1607428760877)
在Hadoop1.x时代,Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度,耦合性较大,在Hadoop2.x时代,增加了Yarn。 Yarn只负责资源的调度,MapReduce只负责运算。
2.5.1 HDFS架构概述
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、文本权限)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):用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据的快照。
2.5.2 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