ha1.2

Hadoop概述

1.1 什么是Hadoop

• Hadoop名字的由来

  • Hadoop项目作者的孩子给一个棕黄色的大象样子的填充玩具的命名
    

• Hadoop的概念:

  • Apache™ Hadoop® 是一个开源的, 可靠的(reliable), 可扩展的(scalable)分布式计算框架
    • 允许使用简单的编程模型跨计算机集群分布式处理大型数据集
    • 可扩展: 从单个服务器扩展到数千台计算机，每台计算机都提供本地计算和存储
    • 可靠的: 不依靠硬件来提供高可用性(high-availability)，而是在应用层检测和处理故障，从而在计算机集群之上提供高可用服务

• Hadoop能做什么?

  • 搭建大型数据仓库
  • PB级数据的存储 处理 分析 统计等业务

    • 搜索引擎

    • 日志分析

    • 数据挖掘

    • 商业智能(Business Intelligence，简称：BI)

      商业智能通常被理解为将企业中现有的数据(订单、库存、交易账目、客户和供应商等数据)转化为知识，帮助企业做出明智的业务经营决策的工具。从技术层面上讲，是数据仓库、数据挖掘等技术的综合运用。
      

• Hadoop发展史

  • 2003-2004年 Google发表了三篇论文

    • GFS：Google的分布式文件系统Google File System
    • MapReduce: Simplified Data Processing on Large Clusters
    • BigTable：一个大型的分布式数据库

  • 2006年2月Hadoop成为Apache的独立开源项目( Doug Cutting等人实现了DFS和MapReduce机制)。

  • 2006年4月— 标准排序(10 GB每个节点)在188个节点上运行47.9个小时。

  • 2008年4月— 赢得世界最快1TB数据排序在900个节点上用时209秒。

  • 2008年— 淘宝开始投入研究基于Hadoop的系统–云梯。云梯总容量约9.3PB，共有1100台机器，每天处理18000道作业，扫描500TB数据。

  • 2009年3月— Cloudera推出CDH（Cloudera’s Dsitribution Including Apache Hadoop）

  • 2009年5月— Yahoo的团队使用Hadoop对1 TB的数据进行排序只花了62秒时间。

  • 2009年7月— Hadoop Core项目更名为Hadoop Common;

  • 2009年7月— MapReduce和Hadoop Distributed File System (HDFS)成为Hadoop项目的独立子项目。

  • 2012年11月— Apache Hadoop 1.0 Available

  • 2018年4月— Apache Hadoop 3.1 Available

  • 搜索引擎时代

    • 有保存大量网页的需求(单机 集群)
    • 词频统计 word count PageRank

  • 数据仓库时代

    • FaceBook推出Hive
    • 曾经进行数分析与统计时, 仅限于数据库,受数据量和计算能力的限制, 我们只能对最重要的数据进行统计和分析(决策数据,财务相关)
    • Hive可以在Hadoop上运行SQL操作, 可以把运行日志, 应用采集数据,数据库数据放到一起分析

  • 数据挖掘时代

    • 啤酒尿不湿
    • 关联分析
    • 用户画像/物品画像

  • 机器学习时代 广义大数据

    • 大数据提高数据存储能力, 为机器学习提供燃料
    • alpha go
    • siri 小爱 天猫精灵

1.2 Hadoop核心组件

• Hadoop是所有搜索引擎的共性问题的廉价解决方案

  • 如何存储持续增长的海量网页: 单节点 V.S. 分布式存储
  • 如何对持续增长的海量网页进行排序: 超算 V.S. 分布式计算
  • HDFS 解决分布式存储问题
  • MapReduce 解决分布式计算问题

• Hadoop Common: The common utilities that support the other Hadoop modules.(hadoop的核心组件)

• Hadoop Distributed File System (HDFS™): A distributed file system that provides high-throughput access to application data.(分布式文件系统)

  • 源自于Google的GFS论文, 论文发表于2003年10月
  • HDFS是GFS的开源实现
  • HDFS的特点:扩展性&容错性&海量数量存储
  • 将文件切分成指定大小的数据块, 并在多台机器上保存多个副本
  • 数据切分、多副本、容错等操作对用户是透明的

• 下面这张图是数据块多份复制存储的示意

  • 图中对于文件 /users/sameerp/data/part-0，其复制备份数设置为2, 存储的BlockID分别为1、3。
  • Block1的两个备份存储在DataNode0和DataNode2两个服务器上
  • Block3的两个备份存储在DataNode4和DataNode6两个服务器上
    

• Hadoop MapReduce: A YARN-based system for parallel processing of large data sets.

  • 分布式计算框架
  • 源于Google的MapReduce论文，论文发表于2004年12月
  • MapReduce是GoogleMapReduce的开源实现
  • MapReduce特点:扩展性&容错性&海量数据离线处理

• Hadoop YARN: A framework for job scheduling and cluster resource management.(资源调度系统)

  • YARN: Yet Another Resource Negotiator

  • 负责整个集群资源的管理和调度

  • YARN特点:扩展性&容错性&多框架资源统一调度