Hadoop介绍

一.hadoop是什么

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。

 

二 .hadoop能干什么

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！）

 

三.hadoop的核心

1.HDFS: Hadoop Distributed File System  分布式文件系统

2.YARN: Yet Another Resource Negotiator   资源管理调度系统

3.Mapreduce：分布式运算框架

 

四.HDFS的架构

主从结构

• 主节点， namenode
• 从节点，有很多个: datanode

namenode负责：

• 接收用户操作请求
• 维护文件系统的目录结构
• 管理文件与block之间关系，block与datanode之间关系

datanode负责：

• 存储文件
• 文件被分成block存储在磁盘上
• 为保证数据安全，文件会有多个副本

DataNode作用（重点）

• 负责数据的读写（响应的是客户端）
• 周期向NameNode做心跳报告 （节点是否可用、数据是否丢失、校验和）

10分钟没有心跳NameNode认为该节点宕机。

每三秒发送一次心跳报告

• 负责数据的流水线复制（一点一点复制）

Secondary NameNode负责：

           合并fsimage和edits文件来更新NameNode的metedata

 

五.Hadoop的特点

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

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。

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。

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。