Hadoop基础技术概述

大数据处理技术发展趋势

传统数据处理系统面临的问题：

图：传统数据处理系统面临的问题

如上图：传统数据处理系统面临的问题主要有：

1. 海量数据的存储成本。
2. 有限的扩展能力。
3. 数据资产对外增值。
4. 大数据处理能力的不足。
5. 单一数据源。
6. 流式数据处理缺失。

数据处理技术演进趋势：

图：数据处理演进趋势

数据处理技术演进的趋势：

1. 完全共享模式

   存储方式：磁盘。

   特点：单机、Scale up。

   缺点：性能存在瓶颈、扩展性能差。

2. 数据库服务器

   存储方式：高性能网络存储。

   特点：集群、Share Everything、结构化、关系型。Flash Cache+分布式块存储+IB。

3. 完全不共享模式

   存储方式：磁盘阵列。

   特点：集群、Share Nothing、结构化、关系型。通用的硬件。

4. NameNode模式

   存储方式：DateNode。

   特点：集群、Share Nothing。开放、全球生态。结构化、半结构化、非结构化。高性能、实时。

大数据的特征：

1. 数据量大：100T-PB级，几TB/天。
2. 格式复杂：结构化，非结构化。
3. 响应速度要求高：毫秒级。
4. 数据价值密度低：零点零几USD/KB。

Hadoop概述

Hadoop简介：

• Hadoop是Apache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的核心是分布式文件系统HDFS（Hadoop Distributed File System）和MapReduce
• Hadoop被公认为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提供开发工具、开源软件、商业化工具和技术服务，如谷歌、雅虎、微软、思科、淘宝等，都支持Hadoop

Hadoop发展简史：

图：Hadoop的标志

• Hadoop最初是由Apache Lucene项目的创始人Doug Cutting开发的文本搜索库。Hadoop源自始于2002年的Apache Nutch项目——一个开源的网络搜索引擎并且也是Lucene项目的一部分。
• 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，谷歌公司又发表了另一篇具有深远影响的论文，阐述了MapReduce分布式编程思想。
• 2005年，Nutch开源实现了谷歌的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，同时，Doug Cutting加盟雅虎。
• 2008年1月，Hadoop正式成为Apache顶级项目，Hadoop也逐渐开始被雅虎之外的其他公司使用。
• 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。

Hadoop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
• 高效性
• 高可扩展性
• 高容错性
• 成本低
• 运行在Linux平台上
• 支持多种编程语言

Hadoop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
• 2007年，雅虎在Sunnyvale总部建立了M45——一个包含了4000个处理器和1.5PB容量的Hadoop集群系统
• Facebook作为全球知名的社交网站，Hadoop是非常理想的选择，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在企业中的应用架构：

图：Hadoop在企业中的应用架构

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，均包含HDFS Federation和YARN两个系统，相比于0.23.x，2.x增加了NameNode HA和Wire-compatibility两个重大特性。

选择 Hadoop版本的考虑因素：

• 是否开源（即是否免费）
• 是否有稳定版
• 是否经实践检验
• 是否有强大的社区支持

Hadoop项目结构：

图：Hadoop项目结构

组件	功能
HDFS	分布式文件系统
MapReduce	分布式并行编程模型
YARN	资源管理和调度器
Tez	运行在YARN之上的下一代Hadoop查询处理框架
Hive	Hadoop上的数据仓库
HBase	Hadoop上的非关系型的不是数据库
Pig	一个基于Hadoop的大规模数据分析平台，提供类似SQL的查询语言Pig Latin
Sqoop	用于在Hadoop与传统数据库之间进行数据传递
	Hadoop上的工作流管理系统
Zookeeper	提供分布式协调一致性服务
	流计算框架
Flume	一个高可用，高可靠，分布式的海量日志采集、聚合和传输的系统
Ambari	Hadoop快速部署工具，支持Apache Hadoop集群的供应、管理和监控
Kafka	一种高吞吐量的根不是发布订阅消息系统，可以处理消费者规模的网络的所有动作流数据
Spark	类似于Hadoop MapReduce的通用并行框架

大数据主要存储技术介绍

HDFS简介：

HDFS（Hadoop Distributed File System）基于谷歌发布的GFS(Google File System)论文设计开发，其除具备其他分布式文件系统相同的特性外，还有自己特有的特性：

• 高容错：认为硬件总是不可靠的。

• 高吞吐量：为有大量数据访问的应用提供高吞吐量的支持。

• 大文件存储：支持存储TB-PB级别的数据。

• HDFS适合用于：大文件存储，流失数据访问。

• HDFS不适合用于：大量小文件处理，随机写入，低延迟读写。

YARN简介：

Yarn是Hadoop2.0中的资源管理系统，它是一个通用的资源管理模块，可为各类应用程序进行资源管理和调度。可支持MapReduce，Spark，Storm等多种框架。

Yarn的优势有：

1. 资源利用率高
2. 运维成本低
3. 数据共享方便

MapReduce简介：

MapReduce是基于Google发布的分布式计算框架MapReduce论文设计开发，用于大规模数据集（大于1TB）的并行计算。

MapReduce的特点：

1. 易于编程：开发者仅需编写简单的程序，系统的执行框架会处理细节。
2. 良好的扩展性：可以通过添加主机以达到扩展集群能力的目的。
3. 高容错性：通过开算迁移或者数据迁移提高集群的可用性与容错性。

• MapReduce适合用于：大规模数据离线批处理，子任务相对独立。
• MapReduce不适合用于：实时交互计算，流失计算、实时分析，子任务相互依赖。

Hive简介：

Hive提供数据提取、转换、加载功能，并可用类似于SQL的语法，对HDFS好了数据库中的数据进行查询统计等操作。

Hive可用于：

1. 数据汇总：每天/每周用户点击数，点击排行。
2. 非实时分析：日子分析，统计分析。
3. 数据挖掘：用户行为分析，兴趣分析、区域展示。

HBase简介：

HBase是一个分布式的、面向列的开源数据库，该技术来源于 Fay Chang 所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”。就像Bigtable利用了Google文件系统（File System）所提供的分布式数据存储一样，HBase在Hadoop之上提供了类似于Bigtable的能力。HBase是Apache的Hadoop项目的子项目。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是HBase基于列的而不是基于行的模式。

HBase–Hadoop Datebase，是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可以在廉价的PC Server上搭建起大规模结构化存储集群。

HBase的用途：

1. 海量的数据存储
2. 准实时查询

HBase的特点：

1. 容量大

   HBase单表可以有上百亿行、百万列，数据矩阵横向和纵向两个维度所支持的数据量级都非常具有弹性。

2. 面向列

   HBase是面向列的存储和权限控制，并支持独立检索。列式存储，其数据在表中是按照某列存储的，这样在查询只需要少数几个字段的时候，能大大减少读取的数据量。

3. 多版本

   HBase每一个列的数据存储有多个Version（version）。

4. 稀疏性

   为空的列并不占用存储空间，表可以设计的非常稀疏。

5. 扩展性

   底层依赖于HDFS

6. 高可靠性

   WAL机制保证了数据写入时不会因集群异常而导致写入数据丢失：Replication机制保证了在集群出现严重的问题时，数据不会发生丢失或损坏。而且HBase底层使用HDFS，HDFS本身也有备份。

7. 高性能

   底层的LSM数据结构和Rowkey有序排列等架构上的独特设计，使得HBase具有非常高的写入性能。region切分、主键索引和缓存机制使得HBase在海量数据下具备一定的随机读取性能，该性能针对Rowkey的查询能够达到毫秒级别。

Spark简介：

Spark是基于内存计算的大数据分布式计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

Spark系统是分布式批处理系统和分析挖掘引擎。Spark可以用来快速处理数据，并支持迭代计算，有效应对多步的数据处理逻辑。

图：Spark

Spark特点：

1. 提供分布式计算功能，将分布式存储的数据读入，同时将任务分发到各个节点进行计算；
2. 基于内存计算，将磁盘数据读入内存，将计算的中间结果保存在内存，这样可以很好的进行迭代运算；
3. 支持高容错；
4. 提供多计算范式

Flume简介：

Flume是由Cloudera公司开源的，分布式可靠，高可用的海量日志聚和的系统，支持在系统中定制各类数据发送方，用于收集数据。同时，Flume提供对数据进行简单处理，并写到各种数据接收方（可定制）的能力。

Kafka简介：

Kafka是Linkedin开源的分布式的，基于发布/订阅的日志系统。Kafka可以在消息队列中保存大量的开销很想的数据，且支持大量的消费者订阅。

Hadoop电仪应用场景

离线统计分析：

将海量的原始数据存储到HDFS中，定期离线做汇总统计，按分钟、手机号、地域、业务类型等维度导出到OLAP系统用于分析或报表。

图：离线数据分析示例

详单查询：

将海量的原始XDR，加载如库并转换位半结构化的格式，用于低延时查询。

图：详单查询示例

云化ETL：

移动数据业务和流量的爆炸式增长，带来了网络建设和维护费用的成倍增加。要求将海量数据存储在分布式存储且能够进行汇总等计算。

图：云化ETL示例

---

以上内容为听华为大数据培训课程和大学MOOC上厦门大学 林子雨的《大数据技术原理与应用》课程而整理的笔记。

大数据技术原理与应用： https://www.icourse163.org/course/XMU-1002335004

---