Hadoop

一、项目起源

Hadoop由 Apache Software Foundation 公司于 2005 年秋天作为Lucene的子项目Nutch的一部分正式引入。它受到最先由 Google Lab 开发的 Map/Reduce 和 Google File System(GFS) 的启发。

二、核心组件与应用

1、核心组件

核心组件包括Hadoop的基础组件HDFS、MapReduce和Yarn，以及其他常用组件：Hbase、Hive、Hadoop Streaming、Zookeeper等。

2、组件介绍

• HDFS：分布式海量数据存储功能
• Yarn：提供资源调度与任务管理功能
  • 资源调度：根据申请的计算任务，合理分配集群中的计算节点(计算机)。
  • 任务管理：任务在执行过程中，负责过程监控、状态反馈、任务再调度等工作。
• MapReduce：分布式并行编程模型和计算框架。解决分布式编程门槛高的问题，基于其框架对分布式计算的抽象map和reduce，可以轻松实现分布式计算程序。
• Hive：提供数据摘要和查询的数据仓库。解决数据仓库构建问题，基于Hadoop平台的存储与计算，与传统SQL相结合，让熟悉SQL的编程人员轻松向Hadoop平台迁移。
• Streaming：解决非Java开发人员使用Hadoop平台的语言问题，使各种语言如C++、python、shell等均可以无障碍使用Hadoop平台。
• HBase：基于列式存储模型的分布式数据库。解决某些场景下，需要Hadoop平台数据及时响应的问题。
• Zookeeper：分布式协同服务。主要解决分布式下数据管理问题：统一命名、状态同步、集群管理、配置同步等。

 三、Hadoop生态圈

Ambari平台环境介绍 

• Apache Ambari是一种基于Web的工具，支持Apache Hadoop集群的供应、管理和监控。Ambari已支持大多数Hadoop组件，包括HDFS、MapReduce、Hive、Pig、 Hbase、Zookeper、Sqoop和Hcatalog等。
• 同类产品为Cloudera Manager的CDH。
• 优点：
  • Web安装图形界面操作便捷
  • Hadoop家族各组件支持全面
  • 社区资源比较丰富
• 缺点：
  • Bug较多：安装过程中，莫名其妙的出现错误。系统运维过程中偶尔出错。以上两种情况重启就正常。
  • 安装速度与网络质量关系较大，往往时间较长。
  • 在合理避免大坑的情况下，3小时内可以搭建一个基本版的集群。