Hadoop概述
一.概念
1.hadoop是什么
- hadoop是一个由Apache基金会开发的分布式系统架构
- 主要解决,海量数据的存储和海量数据的分析问题
- Hadoop通常是指一个更广泛的概念——Hadoop生态圈
2.Hadoop发展历史
- Hadoop创始人Doug Cutting,为了实现类似于Google类似的全文搜索,在Lucene框架的基础上进行了优化升级,查询引擎和索引引擎。
- 2001年年底Lucene成为Apache基金会的一个子项目
- 对于海量数据的场景,Lucene面对与Google同样的问题,存储海量数据困难,检索数据速度慢
- 学习和模仿Google解决这些问题的方法:微型版Nutch
- 可以说Google是Hadoop的思想之源(google在大数据方面的三篇论文)
GFS–>HDFS
Map-Reduce -->MR
BigTable --> HBase
- 2003-2004年,Google公开了部分GFS和MapReduce思想的细节,以此为基础的Doug Cutting等人用2年业余时间实现了DFS和MapReduce机制,使Nutch性能飙升
- 2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会
- 2006年3月份,MapReduce和NDFS(Nutch Distributed File System)分别被纳入到Hadoop项目中。Hadoop就此产生,标志着大数据时代的到来
3.Hadoop三大发行版本
Hadoop三大发行版本:Apache,Cloudera,Hortonworks。
Apache版本最原始的版本,对于入门学习最好。2006
Cloudera内部集成了很多大数据框架,对应的产品CDH。2008
Hortonworks文档较好,对应的产品HDP。2011
Hortonworks现在以及被Cloudera公司收购,推出新的品牌CDP
Apache Hadoop
官网地址:http://hadoop.apache.org
下载地址:https://hadoop.apache.org/releases.html
Cloudera Hadoop
官网地址:https://www.cloudera.com/downloads/cdh
下载地址:https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html
(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。
Hortonworks Hadoop
官网地址:https://hortonworks.com/products/data-center/hdp/
下载地址:https://hortonworks.com/downloads/#data-platform
(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目前被Cloudera公司收购。
4.Hadoop优势
- 高可靠性:Hadoop底层维护多个数据副本,所以即使Hadoop某个计算元素或者存储出线故障,也不会导致数据丢失。
- 高扩展性:在集群间分配任务数据,可以方便扩展数以千计的节点。
- 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
- 高容错:能够自动将失败的任务重新分配
5.Hadoop的组成
在hadoop1.X时代Hadoop中的MapReduce同时处理业务逻辑运算的资源的调度,耦合度大。
在Hadoop2.X时代,增加了Yarn。Yarn只负责资源的调度,MapReduce只负责运算。
1.5.1 HDFS架构概述
Hadoop Distributed File System ,简称HDFS,是一个分布式文件系统。
- NameNode(nn):存储文件的元数据,如文件名,文件目录结构,文件属性,以及每个文件的块地址和块所在的DataNode。
- DataNode(dn):在本地文件系统存储文件块数据,以及快数据的校验和。
- Secondary NameNode(2nn):每个一段时间对NameNode元数据备份。
1.5.2 YARN架构概述
Yet Another Resource Negotiate 简称YARN,另一种资源协调者,是Hadoop的资源管理器。
- ResourceManager(RM):整个集群资源的老大
- NodeManager(NM):单个节点服务器的老大
- ApplicationMaster:单个任务运行的老大
- Container:容器,相当于一台独立的服务器,里面封装了任务运行所需要的资源
客户端可以有多个
集群上可以运行多个Application Master
每个NodeManager可以有多个Container
1.5.3 MapReduce架构概述
MapReduce将计算结果分为两个阶段:Map和Reduce
- Map阶段并行处理输入数据
- Reduce阶段对Map的结果进行汇总