Hadoop(一)

1.介绍

HADOOP是apache旗下的一套开源软件平台

HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理

HADOOP的核心组件有 ：  HDFS（分布式文件系统）    YARN（运算资源调度系统） MAPREDUCE（分布式运算编程框架）

2.产生背景

  HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，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。

——分布式文件系统（GFS），可用于处理海量网页的存储

——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

3.hadoop生态圈以及各组成部分

重点组件：

HDFS：分布式文件系统

MAPREDUCE：分布式运算程序开发框架

HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具

HBASE：基于HADOOP的分布式海量数据库

ZOOKEEPER：分布式协调服务基础组件

Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库

Oozie：工作流调度框架

Sqoop：数据导入导出工具

Flume：日志数据采集框架

4.分布式系统三大组件的总结

4.1.解决海量数据的存储问题(分布式文件系统hdfs)

具有分布式的集群结构，我们把实际存储数据的节点叫做datanode.

具有一个统一对外提供咨询，存储搜索的机器节点，对外跟客户端统一打交道，对内跟实际存储数据的节点打交道

具有备份的机制 解决了机器挂掉时数据丢失的问题

具有统一的API,对客户端来说不用操心你集群内部的部署，只要调用你的API就可以进行对文件的读取，存储，甚至是搜索，

4.2.解决分布式数据计算(处理)问题（分布式的编程模型Mapreduce）

思想：分而治之 先局部 再总体 map映射，reduce聚合

整体上作为一个编程模型，需要给用户提供一个友好的 便捷的使用规范

比如：你要继承什么东西 配置什么 怎么去调用 怎么去执行

继承我们的一个mapper类去实现自己的业务逻辑，继承我们的一个reduce实现自己的业务逻辑，最好可以提供

可供用户进行相关配置的类 或者是配置文件

作为一个分布式计算框架 最好还可以提供一个程序的总管(MrAppmaster) 用来管理这种分布式计算框架的内部问题：启动 斜街 等

4.3.解决分布式系统的资源管理问题（分布式资源管理）

为了更好的管理我们集群的资源，最好设计成分布式的架构，

需要有一个统一对外提供服务的节点（某一机器 或者机器上的一个进程 一个服务） 叫做资源管理者 ResourceManager

需要在集群中的每台机器上有一个角色，用来进行每台机器资源的管理，汇报，叫做节点管理者nodemanager