-
hadoop概述
-
Hadoop核心组件
-
hadoop优势
-
hadoop发展史
-
hadoop生态系统
-
hadoop发行版本的选择
-
hadoop概述之hadoop名字的由来
Doug Cutting(hadoop项目作者还是给一个棕黄色的大象样子的填充玩具的命名)
reliable,scalable,distributed computing
单机存储
单机计算
分布式存储+分布式计算
hadoop是一个分布式的系统基础架构(用户可以在不了解分布式底层细节的情况下操作)
分布式存储(一个文件被拆分成很多个块,并且以副本的方式存储在各个节点中)和计算
HDFS:实现将文件分布式存储在服务器上
YARN:作业调度,资源管理
MapReduce:实现在很多机器上分布式计算框架 -
hadoop核心组件之分布式文件系统HDFS
1)源自Google的GFS论文
2)HDFS是GFS的克隆版
3)HDFS特点:扩展性&容错性&海量数据存储
工作机制:
文件:test.log 200M
块(block):默认的blocksize是128M,2个块=1个128M + 1个72M
node1: blk1 blk2
node2:blk2
node3:blk1 blk2
node4:
node5:blk1
1)文件切分成指定大小的文件块并以多副本存储在多个机器上
2)数据切分、多副本、容错等操作对用户是透明的
Namenode(Filename,numReplicas,block-ids,…)
/users/sameerp/data/part-0,r:2{1,3}
/users/sameerp/data/part-1,r:3{2,4,5}
r:2代表part-0文件有两个副本
r:3代表part-1文件有三个副本
- hadoop核心组件之分布式计算框架MapReduce
1)源自于Google的MapReduce论文
2)MapReduce是Google MapReduce的克隆版
3)MapReduce特点;扩展性&容错性&海量数据离线处理
- hadoop核心组件之资源调度系统YARN
YARN:负责整个集群资源的管理和调度
特带:扩展性&容错性&多框架(hive、flink)资源统一调度
- hadoop优势
高可靠性:
数据存储:数据块多副本
数据计算:重新调度作业
扩展性:
存储/计算资源不够:可以横向的线性扩展机器
一个集群中可以包含数以千计的节点
其他:
存储在廉价机器上,降低成本
成熟的生态圈 - hadooo发展史
https://www.infoq.cn/article/hadoop-ten-years-interpretation-and-development-forecast/
- hadoop生态圈
侠义hadoop:是一个适合大数据分布式存储(HDFS)、分布式计算(MapReduce)、资源调度(YARN)的平台
广义的hadoop:指的是hadoop生态系统,hadoop生态系统是一个很庞大的概念,hadoop是其中很重要最基础的一根部分;生态系统中每一个子系统只解决某一个特定的问题域,不搞统一型的一个全能系统,而是小而精的多个系统
开源、社区活跃
囊括了大数据处理的方方面面
成熟的生态圈
- hadoop常用的发型版本
Apache纯开源
不同版本/不同框架之间整合 jar冲突
CDH:https://www.clouder.com/
cm(cloudera manager)通过页面一键安装各种框架、升级
cm不开源,与社区版本有冲突
Hortonworks:HDP
原装hadoop、纯开源、支持tez
缺点:企业级安全不开源