Hadoop入门

Hadoop是什么？

1. Hadoop是一个由Apache机机会所开发的分布式系统基础架构，主要解决海量数据的存储和海量数据分析计算问题。
2. 广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈
3. Hadoop的优势（4高）可靠、可扩、高效、容错
   • 高可靠性：Hadoop底层维护了数据副本，所以即使Hadoop某个计算元素或存储出现故障也不会导致数据的丢失
   • 高扩展性：在集群见分配任务和数据，可以方便的扩展数以千计的节点
   • 高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度
   • 高容错性：能够自动将失败的任务重新分配

Hadoop组成

Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源调度，耦合性较大；
Hadoop2.x时代，增加了Yarn，Yarn只负责资源调度，MapReduce只负责运算；
Hadoop3.x时代，在组成上与Hadoop2.x没有变化。

HDFS架构概念

HDFS（Hadoop Distrbuted File System）是一个分布式文件系统
HDFS角色：
NameNode：存储文件的元数据，如文件名、文件目录结构、文件属性（生成时间、副本数、权限），以及每个文件的块列表和块所在的DataNode等。

1. 管理HDFS的名称空间；
2. 配置副本策略；
3. 管理数据块（Block）信息；
4. 处理客户端读写请求；

DataNode：在本地文件系统存储数据块和数据块的校验和。

1. 存储实际的数据块；
2. 执行数据块儿的读/写操作；

SecondaryNameNode：每隔一段时间对NameNode元数据备份，并非NameNode的热备，当NameNode挂掉的时候，并不能替换NameNode提供服务。

1. 辅助NameNode分担其工作量，定期合并Fsimage和Edits，并将合并好的Fsimage推送给NameNode；
2. 在紧急情况下，可辅助恢复NameNode，但是并不能恢复至最新状态；

YARN架构概念

YARN是一种资源协调者，是Hadoop的资源管理器。
YARN角色：

1. ResourceManeger：整个集群资源（CPU、内存等）的老大；
2. ApplicationMaster：单个任务的老大；
3. NodeManager：单个服务器节点资源老大；
4. Container：容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等

说明：

1. 客户端可以有多个
2. 集群上可以运行多个ApplicationMaster
3. 每个NodeManager上可以有多个Container

MapReduce架构概念

MapReduce是一个分布式计算框架，主要由编程模型和运行时环境两部分组成。
MapReduce编程模型由两个阶段组成：Map和Reduce，用户可只需编map()和reduce()两个函数即可完成简单的分布式程序的设计。

1. Map阶段并行处理输入数据
2. Reduce阶段对Map阶段的结果进行汇总
   

HDFS、YARN、MapReduce三者之间的关系

1. 客户端Client提交任务到资源管理器（ResourceManager）
2. 资源管理器接收到任务后去NodeManeger节点开启任务（ApplicationMaster）
3. ApplicationMaster向ResourceManager申请资源
4. 若有资源ApplicationMaster负责开启任务MapTask
5. 每个mapTask独立工作，各自负责检索各自对应的DataNode，将结果记录到HDFS
6. DataNode负责存储，NameNode负责记录，SecondaryNameNode负责备份。

大数据技术生态

技术名词解释：

1. Sqoop：Sqoop是一款开源的工具，主要用与在Hadoop、Hive与传统数据库间进行数据传递，可以将一个关系型数据库（例如：MySQL、Oracle等）中的数据导入到Hadoop的HDFS中，也可以将HDFS的数据导入到关系型数据库中。
2. Flume：Flume是Cloudera提供的一个高可用、高可靠、分布式的海量日志采集、聚合和传输的系统，Flume支持在日志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。专业的日志处理系统。
3. Kafka：Kafka是一种高吞吐的分布式发布订阅消息系统。
   有以下特征：
   • 同时为发布和订阅提供高吞吐量：通过I/O的磁盘数据结构提供消息的持久化，这种结构对于数以TB的消息存储也能够保持长时间的稳定性能，即使是非常普通的硬件，Kafka可以支持每秒数百万的消息
   • 消息持久化：将消息持久化到磁盘，可用于批量消费；
   • 分布式支持服务间的消息分区及分布式消费，同时保证每个partition内的消息顺序传输；
   • 消费者采用pull（拉）的模式：消息被处理的状态是在consumer端维护，而不是在服务端维护；
   • 支持online（在线）和offline（离线）的场景：同时支持离线数据处理和实时数据处理；
4. Spark：Spark是当前最流行的开源大数据内存计算框架，可以基于Hadoop上存储的大数据进行计算。
5. Flink：Flink是当前很流行的实时计算框架，全面对标Spark。Flink支持实时计算和离线计算。
6. Oozie：Oozie是一个管理Hadoop作业和工作流程的调度管理系统，Oozie是轻量级的，功能是最丰富的（Oozie、Azlaban、crontab）。
7. Azkaban：Azkaban任务调度系统，使用起来比较方简单。
8. HBase：HBase是一个分布式的、面向列的开源数据库，HBase不同于一般的关系型数据库，它是一个适合于非结构化数据存储的数据库。
9. Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射成一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，十分适合数据仓库的统计分析。
10. ZooKeeper：ZooKeeper是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。

推荐系统项目架构

如若总结有误欢迎指正😊