大型分布式存储系统架构 之 Hadoop 第一部分

开始写之前先思考一个问题： 大数据技术解决的是什么问题？文末给出答案。

大数据简介

大数据的定义

大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

大数据的特点

大数据的特点可以用 IBM 曾经提出的 “5V” 来描述，如下：

• 大量
  采集、存储和计算的数据量都非常大。
  计算机存储单位一般用B，KB，MB，GB，TB，PB，EB，ZB，YB，BB、NB、DB来表示，它们之间的关系是
  1GB = 1024 MB
  1TB = 1024 GB
  1PB = 1024 TB
  1EB = 1024 PB
  1ZB = 1024 EB
  1YB = 1024 ZB
  1BB = 1024 YB
  1NB = 1024 BB
  1DB = 1024 NB
  以PB为例，PB级数据量有多大？是怎样的一个概念？
  假如手机播放MP3的速度为平均每分钟1MB，而1首歌曲的平均时长为4分钟，那么1PB存量的歌曲可以连续播放2000年。
  1PB 也相当于50%的全美学术研究图书馆藏书咨询内容。
  （1）1986年，全球只有0.02EB也就是约21000TB的数据量
  （2）2007年，全球就是280EB也就是约300000000TB的数据量，翻了14000倍
  （3）近些年，由于移动互联网及物联网的出现，各种终端设备的接入，各种业务形式的普
  及，平均每40个月，全球的数据量就会翻倍！2012年，每天会产生2.5EB的数据量
  （4）基于IDC的报告预测，从2013年到2020年，全球数据量会从4.4ZB猛增到44ZB！而到了
  2025年，全球会有163ZB的数据量！
  全球的数据量已经大到爆了！而传统的关系型数据库根本处理不了如此海量的数据！

• 高速
  在大数据时代，数据的创建、存储、分析都要求被高速处理，比如电商网站的个性化推荐尽可能要求实时完成推荐，这也是大数据区别于传统数据挖掘的显著特征。

• 多样
  数据形式和来源多样化。包括结构化、半结构化和非结构化数据，具体表现为网络日志、音频、视频、图片、地理位置信息等等，多类型的数据对数据的处理能力提出了更高的要求。

• 真实
  确保数据的真实性，才能保证数据分析的正确性

• 低价值
  数据价值密度相对较低，或者说是浪里淘沙却又弥足珍贵。互联网发展催生了大量数据，信息海量，但价值密度较低，如何结合业务逻辑并通过强大的机器算法来挖掘数据价值，是大数据时代最需要解决的问题，也是一个有难度的课题。

大数据的应用场景

随着大数据的发展，大数据技术已经广泛应用在众多行业，比如仓储物流、电商零售、汽车、电信、生物医学、人工智能、智慧城市等等领域，包括在疫情防控战中，大数据技术也发挥了重要的作用。

• 仓储物流
  大数据技术驱动了仓储物流领域的智能化发展，以苏宁为例，苏宁物流可在全国的各级仓库间实现智能分仓、就近备货和预测式调拨，实现”客户需要的商品就在离客户最近的配送中心“。
  

• 电商零售

  • 零售业 ” 啤酒+纸尿裤 “ 案例
    

  • 个性推荐
    

  • ” 双11购物节 “ 实时销售额大屏
    

• 汽车
  利用了大数据和物联网技术的无人驾驶汽车，在不远的未来将走入我们的日常生活
  

• 电信
  移动联通根据用户年龄、职业、消费情况，分析统计哪种套餐适合哪类人群，对市场人群精准定制。
  

• 生物医学
  大数据可以帮助我们实现流行病预测、智慧医疗、健康管理，同时还可以帮助我们解读
  DNA，了解更多的生命奥秘。比如影像大数据支撑下的早期肺癌支撑平台，基于大量病例数据样本，制定早期肺癌高危人群预警指标。
  

• 人工智能
  

• 智慧城市
  大数据有效支撑智慧城市发展，成为城市的”数据大脑“。比如，在智慧城市建设上，杭州始终走在全国前列。如覆盖面广的移动支付、新颖的在线医疗模式、创新的物流运输模式，都受到较大关注。2016年，杭州被《中国新型智慧城市》白皮书评为“中国最智慧的城市”。

大数据的价值，远远不止于此，大数据对各行各业的渗透，大大推动了社会生产和生活，未来必将产生重大而深远的影响。

大数据的发展趋势及职业路线

大数据发展趋势

1. 2015年党的十八届五中全会提出“实施国家大数据战略”，国务院印发《促进大数据发展行动纲要》，大数据技术和应用处于创新突破期，国内市场需求处于爆发期，我国大数据产业面临重要的发展机遇。

2. 2017年十九大报告明确 “推动互联网、大数据、人工智能和实体经济深度融合”。

3. 2020年全国政协十三届三次会议新闻发布会上，更进一步强调：大数据、人工智能、5G是引领未来发展的战略性技术。

4. 2021年11月30日上午工业和信息化部召开新闻发布会，介绍“十四五”大数据产业发展规划有关情况

   显然，发展大数据是我国的战略性决策，前景自然不言而喻。

5. 2017年北京大学、中国人民大学、北京邮电大学等25所高校成功申请开设大数据课程

6. 大数据属于高新技术，大牛少，升职竞争小

7. 2020年5月6日，人力资源和社会保障部发布《新职业—大数据工程技术人员就业景气现状分析报告》，报告显示：预计2020年中国大数据行业人才需求规模将达210万，2025年前大数据人才需求仍将保持30%~40%的增速，需求总量在2000万人左右

8. 在北京大数据开发工程师的平均薪水已经超越 1.5w 直逼2w，而且目前还保持强劲的发展势头

大数据职业发展路线

目前大数据高、中、低三个档次的人才都很缺。 现在我们谈大数据，就像当年谈电商一样，未来前景已经很明确，接下来就是优胜劣汰，竞争上岗。不想当架构师的程序员不是好架构师！但是，大数据发展到现阶段，涉及大数据相关的职业岗位也越来越精细。

从职业发展来看，由大数据开发、挖掘、算法、到架构。从级别来看，从工程师、高级工程师，再到架构师，甚至到科学家。而且，契合不同的行业领域，又有专属于这些行业的岗位衍生，如涉及金融领域的数据分析师等。大数据的相关工作岗位有很多，有数据分析师、数据挖掘工程师、大数据开发工程师、大数据产品经理、可视化工程师、爬虫工程师、大数据运营经理、大数据架构师、数据科学家等等。

从事岗位：ETL工程师，数据仓库工程师，实时流处理工程师，用户画像工程师，数据挖掘，算法工程师，推荐系统工程。

Hadoop简介

什么是Hadoop

Hadoop 是一个适合大数据的分布式存储和计算平台。

如前所述，狭义上说Hadoop就是一个框架平台，广义上讲Hadoop代表大数据的一个技术生态
圈，包括很多其他软件框架

Hadoop的起源

Hadoop 的发展历程可以用如下过程概述：
Nutch —> Google论文（GFS、MapReduce）
—> Hadoop产生
—> 成为Apache顶级项目
—> Cloudera公司成立（Hadoop快速发展）

• Hadoop最早起源于Nutch，Nutch 的创始人是Doug Cutting
  Nutch 是一个开源 Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬虫，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题
• 2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。GFS，可用于处理海量网页的存储；MapReduce，可用于处理海量网页的索引计算问题。
  Google的三篇论文（三驾马车）
  GFS：Google的分布式文件系统（Google File System）
  MapReduce：Google的分布式计算框架
  BigTable：大型分布式数据库
  发展演变关系：
  GFS —> HDFS
  Google MapReduce —> Hadoop MapReduce
  BigTable —> HBase
• 随后，Google公布了部分GFS和MapReduce思想的细节，Doug Cutting等人用2年的业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
• 2005年，Hadoop 作为Lucene的子项目Nutch的一部分引入Apache
• 2006年，Hadoop从Nutch剥离出来独立
• 2008年，Hadoop成为Apache的顶级项目

Hadoop这个名字来源于Hadoop之父Doug Cutting儿子的毛绒玩具象

Hadoop的特点

Hadoop的发行版本

目前Hadoop发行版非常多，有Cloudera发行版（CDH）、Hortonworks发行版、华为发行版、
Intel发行版等，所有这些发行版均是基于Apache Hadoop衍生出来的，之所以有这么多的版本，是由Apache Hadoop的开源协议决定的（任何人可以对其进行修改，并作为开源或商业产品发布/销售）。

企业中主要用到的三个版本分别是：Apache Hadoop版本（最原始的，所有发行版均基于这个版本进行改进）、Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称“CDH”）、Hortonworks版本（Hortonworks Data Platform，简称“HDP”）。

• Apache Hadoop 原始版本 官网地址
  优点：拥有全世界的开源贡献，代码更新版本比较快
  缺点：版本的升级，版本的维护，以及版本之间的兼容性，学习非常方便
  Apache所有软件的下载地址（包括各种历史版本）
• 软件收费版本ClouderaManager CDH版本 --生产环境使用，官网地址
  Cloudera主要是美国一家大数据公司在Apache开源Hadoop的版本上，通过自己公司内部的各种补丁，实现版本之间的稳定运行，大数据生态圈的各个版本的软件都提供了对应的版本，解决了版本的升级困难，版本兼容性等各种问题，生产环境强烈推荐使用
• 免费开源版本HortonWorks HDP版本–生产环境使用，官网地址
  hortonworks主要是雅虎主导Hadoop开发的副总裁，带领二十几个核心成员成立Hortonworks，
  核心产品软件HDP（ambari），HDF免费开源，并且提供一整套的web管理界面，供我们可以通过web界面管理我们的集群状态，web管理界面软件HDF网址

Apache Hadoop版本更迭

• 0.x 系列版本：Hadoop当中最早的一个开源版本，在此基础上演变而来的1.x以及2.x的版本
• 1.x 版本系列：Hadoop版本当中的第二代开源版本，主要修复0.x版本的一些bug等
• 2.x 版本系列：架构产生重大变化，引入了yarn平台等许多新特性
• 3.x 版本系列：EC技术、YARN的时间轴服务等新特性
  

Hadoop的优缺点

• Hadoop的优点
  • Hadoop具有存储和处理数据能力的高可靠性。
  • Hadoop通过可用的计算机集群分配数据，完成存储和计算任务，这些集群可以方便地扩展到数以千计的节点中，具有高扩展性。
  • Hadoop能够在节点之间进行动态地移动数据，并保证各个节点的动态平衡，处理速度非常快，具有高效性。
    Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配，具有高容错性。
• Hadoop的缺点
  • Hadoop不适用于低延迟数据访问。
  • Hadoop不能高效存储大量小文件。
  • Hadoop不支持多用户写入并任意修改文件。

Apache Hadoop的重要组成

Hadoop=HDFS(分布式文件系统)+MapReduce(分布式计算框架)+Yarn(资源协调框架)+Common模块

Hadoop HDFS

Hadoop Distribute File System ：一个高可靠、高吞吐量的分布式文件系统
比如：100T数据存储，“分而治之”
分：拆分–》数据切割，100T数据拆分为10G一个数据块由一个电脑节点存储这个数据块。
数据切割、制作副本、分散储存

图中涉及到几个角色

• NameNode（nn）：存储文件的元数据，比如文件名、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。
• SecondaryNameNode（2nn）：辅助NameNode更好的工作，用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据快照。
• DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验

注意：NN，2NN,DN这些既是角色名称，进程名称，代指电脑节点名称！

Hadoop MapReduce

一个分布式的离线并行计算框架
拆解任务、分散处理、汇整结果

MapReduce计算 = Map阶段 + Reduce阶段

• Map阶段就是“分”的阶段，并行处理输入数据；
• Reduce阶段就是“合”的阶段，对Map阶段结果进行汇总；
  

Hadoop YARN

作业调度与集群资源管理的框架，计算资源协调
Yarn中有如下几个主要角色，同样，既是角色名、也是进程名，也指代所在计算机节点名称。

• ResourceManager(rm)：处理客户端请求、启动/监控ApplicationMaster、监控
  NodeManager、资源分配与调度；
• NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
• ApplicationMaster(am)：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。
• Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

ResourceManager是老大，NodeManager是小弟，ApplicationMaster是计算任务专员。

Hadoop Common

支持其他模块的工具模块（Configuration、RPC、序列化机制、日志操作）

回答下刚开始提的问题哈

大数据技术解决的主要是海量数据的存储和计算。

Hadoop的广义和狭义之分

• 狭义的Hadoop:指的是一个框架，Hadoop是由三部分组成
  • HDFS：分布式文件系统----存储；
  • MapReduce:分布式离线计算框架----计算；
  • Yarn:资源调度框架
• 广义的Hadoop:广义Hadoop是不仅仅包含Hadoop框架，除了Hadoop框架之外还有一些辅助框架。广义Hadoop指的是一个生态圈。
  • Flume：日志数据采集
  • Sqoop：关系型数据库数据的采集；
  • Hive:深度依赖Hadoop框架完成计算（sql），
  • Hbase:大数据领域的数据库（mysql）
  • Sqoop：数据的导出