大数据相关组件大全简述
本文提到的有:Hadoop,HDFS,MapReduce,Yarn,Zookeepe,Hive,HBase,Kafka,Storm,Sqoop,Flume,Scala,Spark
Hadoop
是一个由Apache基金会所开发的分布式系统基础架构
主要解决,海量数据的存储和海量数据的分析计算问题。
HADOOP通常是指一个更广泛的概念——HADOOP生态圈
Hadoop = HDFS + MR + YARN
HDFS(Hadoop Distributed File System)
是分布式文件管理系统
作用:管理多台机器上的文件
HDFS的设计适合一次写入,多次读出的场景,且不支持文件的修改。
优点:高容错性(副本),适合大数据处理,可构建在廉价机器上,通过多副本机制,提高可靠性
缺点:不适合低延时数据访问,无法高效的对大量小文件进行存储(占用NameNode大量的内存),不支持并发写入、文件随机修改。
MapReduce
是一个分布式运算程序的编程框架
优点:易于编程,良好的扩展性,高容错性,适合PB级以上海量数据的离线处理
缺点:不适合流式计算,实时计算,DAG计算
有map,reduce两个阶段