大数据初探——Hadoop历史

 

Hadoop是一个开源的分布式框架，是Apache下的一个开源项目。Hadoop运行可以在成千上万个普通机器节点组成的集群上，通过分布式的计算模型和存储模型来处理大数据集。Hadoop具有高容错性、工作在普通的机器节点上扩展性强等众多的优点，是企业选择处理大数据集工具的不二“人”选。

这个框架是另一个大项目的一部分，有数据库管理专家Mike Cafarella与开源技术的支持者DougCutting所构建。两人创建了一个名叫Nutch的网络爬虫与分析系统，该系统使用集群运算同时执行多项任务。之后Nutch演化成两个系统，其中之一就是Hadoop分布式管理系统。

Hadoop核心组成部分

• Hadoop Common：包括函数库与工具功能，对Hadoop的其他模块提供支持。
• Hadoop分布式文件系统(HDFS)：基于Java，具有高扩展性，允许在未经预先安排的多台计算机上存储数据——本质上是打造一个类似单文件系统运作的节点社区。
• MapReduce：Hadoop的一个处理大数据集的分布式计算框架，可处理结构化与非结构化数据集，具有可靠性与高容错性。
• Yarn(另一种资源协调方式)：是一种资源管理框架，用来处理多个分布式架构发送的资源请求调度。

一个HDFS集群主要由Namenode和Datanode组成，其中Namenode只有一个，主要用于管理存储数据的元数据，而Datanode可以有多个，主要用于直接存储数据。

常用数据存取部分

• pig：专为数据分析设计的编程语言，无需花费大量时间构建映射和化简操作，即可处理任何类型的数据。
• Hive：类似SQL的查询语言——HQL，将sql语句编译到MapReduce中，再跨集群分发出去。
• Flume：从应用中收集大量数据，并将它们转入HDFS文件系统中。
• Spark：开源集群运算系统，在某些情况下进行数据分析时比MapReduce块100倍。
• Sqoop：数据传输工具，可以提取、加载并转换结构化数据。
• Hbase：NoSQL数据库一种，可在HDFS上运行。

Hadoop生态圈架构图