大数据生态系统

1、Hadoop 是一个由Apache 基金会所开发的分布式系统基础架构，HADOOP 通常是指一个更广泛的概念——HADOOP 生态圈，主要解决海量数据的存储和海量数据的分析计算问题
2、Hadoop 组成
1）Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统。2）Hadoop MapReduce：一个分布式的离线并行计算框架。3）Hadoop YARN：作业调度与集群资源管理的框架。4）Hadoop Common：支持其他模块的工具模块（Configuration、RPC、序列化机制、日志操作）。
、大数据技术生态体系

1）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。
2）Flume：Flume 是Cloudera 提供的一个高可用的，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；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统，有如下特性：（1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB 的消息存储也能够保持长时间的稳定性能。（2）高吞吐量：即使是非常普通的硬件Kafka 也可以支持每秒数百万的消息（3）支持通过Kafka 服务器和消费机集群来分区消息。（4）支持Hadoop 并行数据加载。
4）Storm：Storm 为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。Storm 也可被用于“连续计算”（continuous computation），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。
5）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。
6）Oozie：一个管理 Hdoop 作业（ 作业（ job）的工作流程调度管理系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的 Oozie工作流程。7）Hbas：一个分布式的、面向列开源数据库。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库。
8）Hive：hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化文件映射为一张数据库表，并提供简单的 数据库表，可以将 sql 语句转换为 MapReduce任务进行运。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析。
9）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
10）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
11）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。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。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。