Hadoop（2）-Hadoop简介

1、Hadoop是什么？

• Hadoop是一个有Apache基金会所开发的分布式系统基础架构
• Hadoop主要解决两个问题：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
  

2、Hadoop发展历史

• Hadoop的创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优化升级，查询引擎和索引搜索
• 2001年年底，Lucene成为Apache基金会的一个子项目
• 对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢
• 学习和模范Google解决这些问题的方法：微型版Nutch
• Google是Hadoop的思想之源（Google在大数据方面的三篇论文：GFS-> HDFS，Map-Reduce–>MR,BigTable–>HBase）
• 2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年的业余时间实现了DFS和MapReduce机制，是Nutch性能飙升
• 2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会
• 2006年3月份，Map-Reduce和Nutch Distributed File System（NDFS）分别被纳入到Hadoop项目中，Hadoop就此正式诞生了，标志着大数据时代的来临
• Hadoop名字来源于Doug Cutting儿子的玩具大象
  

3、 Hadoop三大发行版本

• Apache,Cloudera,Hortonworks

• Apache版本是最原始（最基础）的版本，对于入门学习最好,2006

• Cloudera内部集成了很多大数据框架，对应产品CDH，2008

• Hortonworks文档较好，对应产品HDP，2011

• Horonworks现在已经被Cloudera公司收购（2018），推出新的品牌CDP

• Hadoop的优势

  • 高可靠性：Hadoop底层维护多个数据副本，所以及时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，可以动态增加服务器
  • 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

4、Hadoop的组成

• Hadoop 1.x的组成：
  
• Hadoop 2.x 组成
  
• Hadoop 3.x在组成上和2.x没有什么区别

5、HDFS 架构概述：

• Hadoop Distributed File System,简称HDFS，是一个分布式文件系统
• 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），以及每个文件的快列表和块所在的DateNode等，是整个文件数据的存储
• DateNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验和，其实即每个服务器就是一个DateNode节点
• Seconday NameNode(2nn):每隔一段时间对 NameNode 元数据备份

6、YARN 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
  * ResourceManager（RM）：整个集群资源（内存，cpu等）的老大
  * NodeManager（NM）：单个节点服务器资源老大
  * ApplicationMaster（AM）：单个任务运行的老大
  * Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的的资源，如内存、cpu、磁盘、网络等
  * 说明：
  • 客户端可以有多个
  • 集群上可以运行多个applicationMaster
  • 每个NodeManager上可以有多个Container
    

7、MapReduc架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce

• Map阶段并行处理输入数据

• Reduce阶段对Map结果进行汇总

• 大数据技术生态系统

• 推荐系统案例

8、HDFS、YARN、MapReduce三者关系

• HDFS是一个分布式文件系统
• YARN负责资源的调度与管理
• MapReduce负责计算

9、大数据技术生态体系