2.从Hadoop框架讨论大数据生态

从Hadoop框架讨论大数据生态

1.1 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.

1.2 Hadoop发展史

1）Lucene框架是Doug Cutting开创的开源软件,用Java书写代码,实现与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索引引擎.
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,以此为基础Doug Cutting等人用了2年业余时间实现了>DFS和MapReduce机制,使Nutch性能飙升.
7）2005 年Hadoop 作为 Lucene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.,名字来源于Doug Cutting儿子的玩具大象.

1.3 Hadoop三大发行版本

Hadoop三大发行版本:Apache,Cloudera,Hortonworks.

1. Apache版本最原始(最基础)的版本,对于入门学习最好.
   官网地址:http://hadoop.apache.org/releases.html
   下载地址:https://archive.apache.org/dist/hadoop/common/

2. Cloudera在大型互联网企业中用的较多(CDN版本)
   官网地址:https://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,主要是包括支持,咨询服务,培训.
(2) 2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司.Cloudera产品主要为CDH,Cloudera Manager,Cloudera Support
1. 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.
2. 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。
(3) 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文档较好.
   官网地址:https://hortonworks.com/products/data-center/hdp/
   下载地址:https://hortonworks.com/downloads/#data-platform

(1) 2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital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括了Ambari,一款开源的安装和管理系统.
(5) HCatalog,一个元数据管理系统,HCatalog现已集成到Facebook开源的Hive中.Hortonworks的Stinger开创性的极大的优化了Hive项目.Hortonworks为入门提供了一个非常好的,易于使用的沙盒.
(6) Hortonworks开发了很多增强特性并提交至核心主干,这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的Microsoft Windows平台上本地运行.定价以集群为基础,每10个节点每年为12500美元.

1.4 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.

1.5 Hadoop组成(面试重点)

1.5.1 HDFS架构概述

HDFS(Hadoop Distributed File System)的架构概述

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,文件权限),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.

1.5.2 YARN架构概述

1.5.3 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

1.6 大数据技术生态体系

大数据技术生态体系如图:

图中涉及的技术名词解释如下：

1. Sqoop:Sqoop是一款开源的工具,主要用于在Hadoop,Hive与传统的数据库(MySql)间进行数据的传递,可以将一个关系型数据库(例如:MySQL,Oracle 等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中.
2. Flume:Flume是Cloudera提供的一个高可用的,高可靠的,分布式的海量日志采集,聚合和传输的系统,Flume支持在日志系统中定制各类数据发送方,用于收集数据;同时,Flume提供对数据进行简单处理,并写到各种数据接受方(可定制)的能力.

3. Kafka:Kafka是一种高吞吐量的分布式发布订阅消息系统,有如下特性:
   (1) 通过O(1)的磁盘数据结构提供消息的持久化,这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能.
   (2) 高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息.
   (3) 支持通过Kafka服务器和消费机集群来分区消息.
   (4) 支持Hadoop并行数据加载.

4. Storm:Storm用于“连续计算”,对数据流做连续查询,在计算时就将结果以流的形式输出给用户.
5. Spark:Spark是当前最流行的开源大数据内存计算框架.可以基于Hadoop上存储的大数据进行计算.
6. Oozie:Oozie是一个管理Hdoop作业(job)的工作流程调度管理系统.
7. Hbase:HBase是一个分布式的,面向列的开源数据库,HBase不同于一般的关系数据库,它是一个适合于非结构化数据存储的数据库.
8. Hive:Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行,其优点是学习成本低,可以通过类SQL语句快速实现简单的MapReduce统计,不必开发专门的MapReduce应用,十分适合数据仓库的统计分析.
9. R语言:R是用于统计分析,绘图的语言和操作环境.R是属于GNU系统的一个自由,免费,源代码开放的软件,它是一个用于统计计算和统计制图的优秀工具.
10. Mahout:Apache Mahout是个可扩展的机器学习和数据挖掘库.
11. ZooKeeper:Zookeeper是Google的Chubby一个开源的实现.它是一个针对大型分布式系统的可靠协调系统,提供的功能包括:配置维护,名字服务,分布式同步,组服务等.ZooKeeper的目标就是封装好复杂易出错的关键服务,将简单易用的接口和性能高效,功能稳定的系统提供给用户.

1.7 推荐系统框架图

推荐系统项目架构如图: