大数据 第二章 从Hadoop框架讨论大数据生态

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