大数据技术之Hadoop入门

一.大数据

第一章 概念

  大数据(Big Data) :指无法在- -定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

第2章 大数据特点（4V）

 1.大量
 2.高速
 3.多样
 4.低价值密度

第3章 大数据部门内组织结构

二.Hadoop（入门）

第1章 Hadoop概述

1.1Hadoop是什么

  1) Hadoop是 -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某个计算元素存储出现故障，也不会导致数据的丢失
  2）高扩展性: 在集群分配任务数据，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

1.3 Hadoop组成（面试重点）

  1.x MapReuce （计算+资源调度） ，HDFS(数据存储)，Common(辅助工具)
  2.x MapReuce (计算) ,Yarn(资源调度),HDFS(数据存储),Common(辅助工具)
  3.x : 组成和二一样
  1和2，1的MapReduce耦合性大

1.3.1端口号

端口名称	Hadoop2.x	Hadoop3.x
NameNode内部通信端口	8020 / 9000	8020 / 9000/9820
NameNode HTTP UI	50070	9870
MapReduce查看执行任务端口	8088	8088
历史服务器通信端口	19888	19888

1.3.2 HDFS架构概述（Hadoop Distributed File System ）

NameNode(nn)： 存储文件的元数据,如文件名,文件目录结构,文件属性,以及每个文件的块列表和块所在的DataNode等.

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

Secondary NameNode（2nn）： 每隔一段时间对NameNode元数据备份

1.3.3 YARN架构概述(Yet Another Resource Negotiator)

ResouManager(RM):整个集群资源(内存、cpu)老大

NodeManager (NM)整个节点老大

ApplicationMaster(AM):单个任务运行的老大

Container:容器,相当一个独立的服务器，里面封装了任务运行所需要的资源

1.3.4 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

1.3.5 HDFS、YARN、MapReduce三者关系

 1.集群开始工作
 2.RM 找一台节点 Container 然后把任务放在里边叫做AM
 3.AM向RM申请这个任务所需资源
 4 hadoop102,103有对应资源 就开启资源这也就是MR中的 Map阶段检索自己的节点，不管有无检索到，都会返回一个结果
 5.然后把这个结果写道磁盘上这个就是MR中的 Reduce阶段 将结果汇总写入HDFS中 ，DN将结果存储
 6.将5这一操作记录在NN中，
 7. 2NN也记录一份数据

 对上面名词做一些解释：
 NameNode (nn)： Master 它是一个主管，管理者 管理HDFS的名称空间 配置副本策略，管理数据块映射信息 处理客户端的读写请求
 dataNode slave 存储实际数据块 ，执行读写操作
  Secondary NameNode： 秘书 分担工作 ，辅组回复NN
  ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
  NodeManager（NM）：单个节点服务器资源老大
 ApplicationMaster（AM）：单个任务运行的老大
 Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。

1.4 大数据技术生态体系

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；

  3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；

  4）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。

  5）Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。

  6）Oozie：Oozie是一个管理Hadoop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）ZooKeeper：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。