01-Hadoop生态介绍

最新推荐文章于 2024-08-01 14:36:11 发布

深夜书屋

最新推荐文章于 2024-08-01 14:36:11 发布

阅读量417

点赞数 1

分类专栏： Hadoop 文章标签： hadoop big data 大数据 hdfs

本文链接：https://blog.csdn.net/qq_47804805/article/details/120290265

版权

Hadoop 专栏收录该内容

7 篇文章 3 订阅

订阅专栏

Hadoop生态介绍

一、大数据概述

1.1 大数据主要处理的问题：

大数据主要解决海量数据的存储和海量数据的分析计算问题。

1.2 大数据特点 — 4V

( Volume )大量
( Velocity )高速
( Variety )多样：结构、非结构化数据
( Value )低价值密度

二、 Hadoop

2.1 Hadoop是什么

Hadoop是一个由Apache基金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的分析计算问题
广义上来说，Hadoop通常是指一个更广泛的概念 ----- Hadoop生态圈
- Hadoop生态圈有： zookeeper 、 HAMA 、 HBASE 、 HIVE、flume等等

2.2 Hadoop 三大发行版本

Hadoop三大发行版本：Apache、Cloudera、Hortonworks。

Apache版本最原始（最基础）的版本，对于入门学习最好。（免费）
- 官网地址：http://hadoop.apache.org/releases.html
- 下载地址：https://archive.apache.org/dist/hadoop/common/
Cloudera内部集成了很多大数据框架。对应产品CDH。（每年每个节点10000美元）
- 官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
- 下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/
- Hadoop的创始人Doug Cutting也加盟Cloudera公司
Hortonworks文档较好。对应产品HDP。
- 官网地址：https://hortonworks.com/products/data-center/hdp/
- 下载地址：https://hortonworks.com/downloads/#data-platform
- Hortonworks目前已经被Cloudera公司收购
- 特点：有专门研究Hadoop的开发团队

2.3 Hadoop的优势 — 4高

高可靠性

Hadoop底层维护多个数据副本，一台机器维护一个副本，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

在集群间分配任务数据，可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

2.4 Hadoop组成对比

hadoop1.x
- MapReduce ( 计算+ 资源调度 )
- HDFS 分布式文件系统（数据存储）
- common 辅助工具
hadoop2.x / 3.x （2.x 和 3.x 的组成结构没有区别）
- MapReduce ( 计算 )
- HDFS 分布式文件系统（数据存储）
- common 辅助工具
- Yarn 资源调度管理资源指的是内存（主要），磁盘，网络，cpu等

在1.x时代中，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大，不符合低耦合的理念；在2.x后就增加了Yarn专门负责资源的调度，让MapReduce只负责运算

三、 Hadoop组成

3.1 HDFS架构

由多台机器共同组成的分布式文件系统（HDFS）。例如：集群中有三台机器，每台机器都是50G的存储容量，那么HDFS总容量是150G。

（1）**NameNode ** ( nn )

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、文件权限），以及每个文件的块列表和块所在的DataNode等。

元数据：描述数据的数据，例如对书本的介绍，这本书的名称、作者、销量、出版时间等信息就是元数据。

（2）DataNode ( dn )

在本地文件系统存储文件块数据，以及块数据的校验和

DataNode存放的就是书本的全部具体内容

（3）Secondary NameNode ( 2nn ) — 辅助nn的工作

作用：每隔一段时间对 NameNode 元数据备份

**2nn并不具备nn的功能，只能用于辅助nn的工作，帮nn减轻压力。**就好比，2nn是nn的秘书

注意：2nn并不是第二个nn，并且可以有3nn、4nn意思同2nn一样。

思考：在一个HDFS中， nn 、 dn 、 2nn可以有几个？

**在一个集群中（非高可用集群）：nn（1个） dn（多个） 2nn（1个）**

3.2 Yarn架构

（1）ResourceManager ( RM ) — 整个集群的管理者 — 经理

处理客户端请求
- client客户端发送job，RM接收job并为job启动AM
监控NodeManager
启动监控ApplicationMaster
资源的分配与调度

（2）NodeManager ( NM ) — 集群中的每台机器的管理者 — 组长

管理单个节点上的资源
处理来自ResourceManager的命令
处理来自ApplicationMaster的命令

（3）ApplicationMaster ( AM ) —处理命令的执行者 —技术员

负责数据的切分
为应用程序申请自愿并分配给内部的任务
任务的监控与容错

一个job对应一个AM

（4）Container — 资源的容器

对多维度资源的封装
方便资源管理
防止资源被占用

Container是YARN中的资源抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-f4JT403S-1631607468587)(E:\markdowns\Markdown笔记\Hadoop笔记\imgs\Hadoop生态介绍\yarn架构.jpg)]

过程：客户向经理提交了一个请求，经理将客户的需求交给了组长，组长挑选一名技术员负责这个需求，这名技术员了解需求后向上级申请资源，得到经理的批准后处理需求。

3.3 MapReduce架构

MapReduce将计算过程分为两个阶段： **Map **和 Reduce

Map 阶段（MapTask）：并行处理输入数据（将数据分发到多台机器中）
Reduce 阶段（ReduceTask）：对 Map 结果进行汇总（将多台机器在Map阶段计算出的数据，进行整体汇总）
shuffle机制：范围在Map后半段到 Reduce前半段

四、大数据技术生态体系

在这里插入图片描述

名词解释：

Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库（MySql）间进行数据的传递，可以将一个关系型数据库（例如：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
Flume：Flume是一个高可用的，高可靠的，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；
Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
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。
Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
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为一张数据库表，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。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
. 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为一张数据库表，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。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
ZooKeeper：它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。