Hadoop初探学习（1）——hadoop的简史

初探hadoop,去了解hadoop的简史对于我们学习hadoop有很大的帮助，下面我们来看看什么是hadoop？

一. What Is Apache Hadoop?

（1）The Apache™ Hadoop® project developsopen-source software for reliable, scalable, distributed computing.

（2）hadoop要去解决的问题：①海量数据的存储（HDFS）②海量数据的分析（MapperReduce）③资源管理调度（YARN）。

（3）始于apache项目Nutch

2003年Google发表了关于GFS的论文

2004年Nutch的开发者开发了NDFS

2004年Google发表了关于MapReduce的论文

2005年MapReduce被引入了NDFS

2006年改名为Hadoop，NDFS的创始人加入Yahoo，Yahoo成立了一个专门的小组发展Hadoop

（4）Hadoop大事记

2004年-- 最初的版本(现在称为HDFS和MapReduce)由Doug Cutting和Mike Cafarella开始实施。

2005年12月-- Nutch移植到新的框架，Hadoop在20个节点上稳定运行。

2006年01月-- Doug Cutting加入雅虎。

2006年02月-- Apache Hadoop项目正式启动以支持MapReduce和HDFS的独立发展。

2006年02月-- 雅虎的网格计算团队采用Hadoop。

2006年04月-- 标准排序(10 GB每个节点)在188个节点上运行47.9个小时。

2006年05月-- 雅虎建立了一个300个节点的Hadoop研究集群。

2006年05月-- 标准排序在500个节点上运行42个小时(硬件配置比4月的更好)。

2006年11月-- 研究集群增加到600个节点。

2006年12月-- 标准排序在20个节点上运行1.8个小时，100个节点3.3小时，500个节点5.2小时，900个节点7.8个小时。

2007年01月-- 研究集群到达900个节点。

2007年04月-- 研究集群达到两个1000个节点的集群。

2008年04月-- 赢得世界最快1TB数据排序在900个节点上用时209秒。

2008年10月-- 研究集群每天装载10 TB的数据。

2009年03月-- 17个集群总共24 000台机器。

2009年04月-- 赢得每分钟排序，59秒内排序500 GB(在1400个节点上)和173分钟内排序100 TB数据(在3400个节点上)。

二. 作者介绍

hadoop的作者是Doug Cutting，受Google三篇论文的启发(GFS、MapReduce、BigTable)，Doug 

Cutting开源的实现hadoop这个超级工程。

三. hadoop具体能干什么？

（1）hadoop擅长日志分析，facebook就用Hive来进行日志分析，2009年时facebook就有非编程人员的30%的人使用HiveQL进行数据分析；淘宝搜索中的自定 义 筛选也使用的 Hive ；利用 Pig 还可以做高级的数据处理，包括 Twitter 、 LinkedIn 上用于发现您可能认识的人，可以实现类似 Amazon.com 的协同过滤的推荐

效果。淘宝的商品推荐也是！在Yahoo！的40%的Hadoop作业是用pig运行的，包括垃圾邮件的识别和过滤，还有

用户特征建模。（2012年8月25新更新，天猫

的推荐系统是hive，少量尝试mahout！）

四. 哪些公司使用hadoop？

（ 1）Hadoop被公认是一套行业大数据标准开源软件，在分布式环境下提供了海量数据的处理能力。几乎所有主流厂商都围绕Hadoop开发工具、开源软件、商业化工具和技术服务。今年大型IT公司，如EMC、Microsoft、Intel、Teradata、Cisco都明显增加了Hadoop方面的投入。

（2）hadoop在淘宝：

a. 从09年开始，用于对海量数据的离线处理，例如对日志的分析，交易记录的分析等

b. 规模从当初的3~4百台节点，增加到现在的一个集群有3000个节点，淘宝现在已经有2~3个这样的集群

c .在支付宝的集群规模也有700台节点，使用Hbase对用户的消费记录可以实现毫秒级查询

五. 架构总览

六. hadoop EcoSystem Map

（1）说明图

（ 2）说明图阐述

       1. 这一切是如何开始的—Web上庞大的数据!

　　2.使用Nutch抓取Web数据

　　3.要保存Web上庞大的数据——HDFS应运而生

　　4.如何使用这些庞大的数据?

　　5.采用Java或任何的流/管道语言构建MapReduce框架用于编码并进行分析

　　6.如何获取Web日志，点击流，Apache日志，服务器日志等非结构化数据——fuse,webdav,chukwa, flume, Scribe

　　7.Hiho和sqoop将数据加载到HDFS中，关系型数据库也能够加入到Hadoop队伍中

　　8.MapReduce编程需要的高级接口——Pig,Hive, Jaql

　　9.具有先进的UI报表功能的BI工具- Intellicus

　　10.Map-Reduce处理过程使用的工作流工具及高级语言

　　11.监控、管理hadoop，运行jobs/hive，查看HDFS的高级视图—Hue,karmasphere, eclipse plugin, cacti, ganglia

　　12.支持框架—Avro(进行序列化), Zookeeper (用于协同)

　　13.更多高级接口——Mahout,Elastic map Reduce

　　14.同样可以进行OLTP——Hbase

七. 集群存储和计算的主要瓶颈

八. Hadoop和虚拟化的差异点

九. hadoop核心

lHDFS: Hadoop Distributed File System 分布式文件系统

lYARN: Yet Another Resource Negotiator 资源管理调度系统

十. hadoop的特点

（1）扩容能力（Scalable）：能可靠地（reliably）存储和处理千兆字节（PB）数据。

（2）成本低（Economical）：可以通过普通机器组成的服务器群来分发以及处理数据。这些服务器群总计可达数

千个节点。

（3）高效率（Efficient）：通过分发数据，hadoop可以在数据所在的节点上并行地（parallel）处理它们，这使

得处理非常的快速。

（4）可靠性（Reliable）：hadoop能自动地维护数据的多份副本，并且在任务失败后能自动地重新部署（redeploy）计算任务。

十一. hadoop1.0跟hadoop2.0对比