大数据技术与架构——（二）大数据处理架构Hadoop（上）

1.Hadoop概述

1.1Hadoop简介

• Hadoop是Apache [ә’pætʃi]软件基金会旗下的一个开源分布式计算平台，
  为用户提供了系统底层细节透明的分布式基础架构。
  
• Hadoop是基于Java语言开发的，具有很好的跨平台特性，并且可以部署在廉价的计算机集群中
• Hadoop可以支持多种编程语言，如C、C++、Java、Python
  
• Hadoop = HDFS(存)+MapReduce(算)
  

1.2Hadoop发展简史

• 创始人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。
• 2003年，谷歌发布了分布式文件系统GFS(Google File System)
• 在2004年，Nutch项目也模仿GFS开发了自己的分布式文件系统NDFS（Nutch Distributed File System），也就是HDFS的前身
  
• 2004年，谷歌发布了分布式并行编程框架MapReduce
• 到了2006年2月，Nutch中的NDFS和MapReduce开始独立出
  来，成为Lucene项目的一个子项目，称为Hadoop。
• 2008年1月，Hadoop正式成为Apache顶级项目。
• Hadoop成名史：2008年4月，Hadoop打破世界纪录，成为最快排序
  1TB数据的系统，它采用一个由910个节点构成的集群进行运算，排序时
  间只用了209秒。
• 在2009年5月，Hadoop更是把1TB数据排序时间缩短到62秒。Hadoop
  从此名声大震，迅速发展成为大数据时代最具影响力的开源分布式开发平
  台，并成为事实上的大数据处理标准。

1.3Hadoop的特性

Hadoop是一个能够对大量数据进行分布式处理的软件框架，并且是以一种可靠、高效、可伸缩的方式进行处理的，它具有以下几个方面的特性：

• 高可靠性
  多台机器构成集群，部分机器发生故障，剩余机器可以继续对外提供服务。
• 高效性
  成百上千台机器一起计算
• 高可扩展性
  可以不断往集群中增加机器
• 高容错性
  当数据被发送到一个单独的节点，该数据也被复制到集群的其他节点上，这意味着故障发生时，存在另一个副本可供使用。
• 成本低
  Hadoop通过普通廉价的机器组成服务器集群来分发以及处理数据,以至于成本很低。
• 运行在Linux平台上
• 支持多种编程语言

1.4Hadoop的应用现状

• Hadoop凭借其突出的优势，已经在各个领域得到了广泛的应用，而互联网领域是其应用的主阵地.
• Facebook作为全球知名的社交网站，Facebook主要将Hadoop平台用于日志处理、推荐系统和数据仓库等方面.
• 国内采用Hadoop的公司主要有百度、淘宝、网易、华为、中国移动等，其中，淘宝的Hadoop集群比较大

• Hadoop相关应用支撑上层的3种应用
• 不同的Hadoop组件实现不同的企业分析
• 最底层HDFS满足企业中大量数据存储的需求
• 存储后进行分析：
• 离线分析对数据进行批量处理，如MR(MapReduce)也可以用数据仓库产品Hive和Pig
• 实时查询用Hbase数据库
• 数据挖掘用Mahout

1.5 Apache Hadoop版本演变

• Apache Hadoop版本分为两代，我们将第一代Hadoop称为Hadoop 1.0，第二代Hadoop称为Hadoop 2.0
  • 第一代Hadoop包含三个大版本，分别是0.20.x，0.21.x和0.22.x，其中，0.20.x最后演化成1.0.x，变成了稳定版，而0.21.x和0.22.x则增加了NameNode HA等新的重大特性
  • 第二代Hadoop包含两个版本，分别是0.23.x和2.x，它们完全不同于Hadoop 1.0，是一套全新的架构
• Hadoop 1.0两大核心
  
• 包括两部分工作=数据处理+集群的资源管理（集群CPU、内存分配）
• 从Hadoop 1.0到Hadoop 2.0的变化
  
• 流计算的资源调度也是YARN负责
  
• 批处理计算搭建在YARN之上，由YARN进行资源调度
  

1.6 Hadoop各种版本（企业开发产品）

2.Hadoop项目结构