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。