Hadoop 入门

一.Hadoop概述

1.1 Hadoop是什么

1) Hadoop是一个由apache基金会所开发的分布式系统基础架构

2） 主要解决，海量数据的存储和海量数据的分析计算问题

3） 广义上来说，Hadoop通常是指一个更广泛的概念-------Hadoop生态圈

        下载地址：https://hadoop.apache.org/releases.html

1.2 Hadoop优势

1）高可用性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据丢失

2）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

 3） 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

4）高容错性：能够自动将失败的任务重新分配

 1.3 Hadoop组成

1.3.1HDFS 架构概述

Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。

1）NameNode:存储文件的元数据，如文件夹，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。

2）DAtaNode:在本地文件系统存储文件数据，以及块数据的校验。

3）SecondaryNameNode:每隔一段时间对NameNode元数据备份。

1.3.2YARN 架构概述

Yet Another Resource Negotiator简称YARN ，另一种资源协调者，是Hadoop的资源管理器。

 1.3.3MapReduce 架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce

1）Map阶段并行处理输入数据

2）Reduce阶段对Map结果进行汇总

  1.3.4HDFS、YARN、MapReduce三者关系

 1.4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；

3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统； 

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。

6）Oozie：Oozie是一个管理Hadoop作业（job调度）的工作流程管理系统。

7）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。

8）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。

9）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。