Hadoop概述

一、什么是Hadoop

 

二、Hadoop发展史

1.Hadoop创始人为Doug Cutting，为了实现与谷歌类似的全文搜索功能，他在Lucene框架基础上进行优化升级，查询引擎和索引引擎。

2.2001年年底Lucene成为Apache基金会的一个子项目。

3.对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量数据速度慢。

4.学习和模仿Google解决这些问题的办法：微型版Nutch。

5.三篇论文可以说是Google是Hadoop的事项之源。（Google-Bigtable、Google-File-System、Google-MapReduce）

6.2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础DougCutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。

7.2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。

8.2006年3月份，Map-Reduce和NutchDistributed Files System（NDFS）分别被纳入到Hadoop项目中，Hadoop就此正式诞生，标志着大数据时代来临。

9.名字来源于Doug Cutting儿子的玩具大象。

三、Hadoop三大发行版本

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。

1.Apache Hadoop

官网地址：Apache Hadoop

下载地址：Apache Hadoop

2.Cloudera Hadoop

官网地址：CDH

下载地址：CDH 6 Download Information | 6.x | Cloudera Documentation

（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。

（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司**。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support

（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。

（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。

3.Hortonworks Hadoop

官网地址：Enterprise Data Management Platforms & Products | Cloudera

下载地址：Cloudera Enterprise Downloads

（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。

（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。

（3）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。

（4）2018年Hortonworks目前已经被Cloudera公司收购。

四、Hadoop的优势

1.高可靠性

Hadoop底层维护多个数据父本，所以即使Hadoop某个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。

五、Hadoop组成

1.HDFS架构概述

Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。

a.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。

b.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。

c.SecondaryNameNode（2nn）：每隔一段时间对NameNode元数据备份。

2.YARN架构概述

Yet Another Resource Negotiator简称YARN ，另一种资源协调者，是Hadoop的资源管理器。

3.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

 

4.HDFS、YARN、MapReduce三者关系

5.大数据技术生态体系

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。

7.推荐系统框架图