000001 - Hadoop及其大数据生态圈

背景

Hadoop 起源于全文检索，随着数据量的增大，存储和查询出现了一些瓶颈。

在这方面，谷歌因为其搜索引擎数据量是巨大的，因此大量数据的存储查询瓶颈也是最为突出的，这也就催生了谷歌的三篇论文。

• GFS（google file system）
• MapReduce
• BigTable

但是，谷歌只公布了方案，并没有公布源码。DougCutting此时正在开发Nutch项目过程中，其试图不断扩大分布式搜索系统的规模。不过，当这一规模达到数十亿网页的级别时，进展变得相当缓慢。谷歌这三篇论文恰好能解决这一瓶颈。

因此，他开始在Nutch系统中实施Google那样的分布式文件系统和MapReduce引擎……新系统被称为“Hadoop”，这是以Cutting儿子的毛绒大象命名的。

下面是Hadoop生态几大技术与谷歌论文的关系。

• GFS（google file system）-> HDFS
• MapReduce -> MapReduce
• BigTable -> HBASE

2008年1月，Hadoop成为Apache的顶级项目。

Hadoop是什么

Hadoop 是Apache旗下的一套开源软件平台，核心组建有如下几个

• Common（基础组建）
• HDFS（Hadoop Distribute File System 分布式文件系统）
• Yarn（Yet Another Resource Negotiator 运算资源调度系统）
• MapReduce（Map和Reduce分布式运算编程框架）

广义上，Hadoop经过长期的发展，又加入了很多新的成员。

👉 Hadoop官网

Hadoop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。2006
• Cloudera 内部集成了很多大数据框架，对应产品CDH。2008
• Hortonworks 文档较好，对应产品HDP。2011
• Hortonworks 现在已经被Cloudera 公司收购，推出新的品牌CDP。

至于学习的话，肯定是Apache开源版本是最好的。

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。

Hadoop组成

Hadoop1.x、2.x、3.x组成以及区别

HDFS

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。
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)：每隔一段时间对NameNode元数据备份。

YARN

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。
1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
3）ApplicationMaster（AM）：单个任务运行的老大
2）NodeManager（NM）：单个节点服务器资源老大
4）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。

MapReduce

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

HDFS、YARN、MapReduce 三者关系

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。