【大数据】Hadoop概述

一、大数据概论

1. 大数据概念

• 大数据：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。
• 大数据主要解决海量数据的采集、存储和分析计算问题。
• 按顺序给出数据存储单位： bit、byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB
  1Byte = 8bit 1K = 1024Byte 1T = 1024G

2. 大数据特点

• Volume（大量）
  数据的大小决定所考虑的数据的价值和潜在的信息
• Velocity（高速）
  大数据区分于传统数据挖掘的最显著特征
• Variety（多样）
  数据被分为结构化数据和非结构化数据
• Value（低价值密度）
  价值密度的高低和数据总量的大小成反比

3. 大数据应用场景

1. 抖音：推荐用户喜欢的视频
2. 电商站内广告：推荐给用户推荐可能喜欢的商品
3. 零售：分析用户消费习惯，为用户购买商品提供方便
4. 保险：海量数据挖掘及风险预测，精准营销，提升精细化定价能力
5. 金融：多维度体现用户特征，推荐优质客户
6. 人工智能+5G+物流网+虚拟与现实

4. 大数据部门

大数据部门间业务流程分析

大数据部门内组织架构

5. 大数据技术生态体系

二、Hadoop概述

1. Hadoop是什么

• 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。
• 广义上来说，Hadoop通常是一个更广泛的概念——Hadoop生态圈。
  

2. Hadoop发展历史

• Hadoop创始人Doug Cutting，为了实现与Google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。
• 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框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。
• 学习和模仿Google解决这些问题的办法: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DougCutting等人用了2年业余时间实现了DFS和MapReduce机制，便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，Map-Reduce和Nutch Distributed File 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。
• 名字来源于Doug Cutting儿子的玩具大象

3. 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。
• Cloudera内部集成了很多大数据框架，对应产品CDH。
• Hortonworks文档较好，对应产品HDP。Hortonworks现在已经被Cloudera公司收购，推出新的品牌CDP。

4. Hadoop优势

• 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。
• 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。
• 高效性：在MapReduce思想下，Hadoop是并行工作的，以加快任务处理速度。
• 高容错性：能够自动将失败的任务重新分配。

5. Hadoop组成

5.1 Hadoop1.x、2.x、3.x区别

1. 在Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。
2. 在Hadoop2.x时代，增加了Yarn，Yarn只负责资源的调度，MapReduce只负责运算。
3. Hadoop3.x在组成上没有变化。

5.2 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(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。
• 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。
• Secondary NameNode(2nn):每隔一段时间对NameNode元数据备份。

5.3 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。

• ResourceManager(RM):整个集群资源(内存、CPU等)的老大。
• NodeManager(NM):单个节点服务器资源的老大。
• ApplicationMaster(AM):单个任务运行的老大。
• Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。

说明

1. 客户端可以有多个。
2. 集群上可以运行多个ApplicationMaster。
3. 每个NodeManager上可以有多个Container。

5.4 MapRuduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce。

• Map阶段并行处理输入数据
• Reduce阶段对Map结果进行汇总

5.5 HDFS、YARN、MapReduce三者关系

客户端Client提交任务到资源管理器（ResourceManager）,资源管理器接收到任务之后去NodeManager节点开启任务（ApplicationMaster），ApplicationMaster向ResourceManager申请资源,若有资源ApplicationMaster负责开启任务即MapTask。开始分析任务，每个map独立工作，各自负责检索各自对应的DataNode，将结果记录到HDFS,DataNode负责存储，NameNode负责记录，2nn负责备份部分数据。