Hadoop
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
Hadoop 三大发行版本: Apache、 Cloudera、 Hortonworks (被收购)
注意:Hadoop1.x、 2.x、 3.x的区别(计算和资源调度)
HDFS架构
- 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
- 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
- Secondary NameNode(2nn):每隔一段时间对NameNode元数据备份
YARN架构
- ResourceManager(RM):整个集群资源(内存、 CPU等)
- NodeManager(NM):单个节点服务器资源
- ApplicationMaster(AM):单个任务运行资源
- Container:封装了任务运行所需要的资源,如内存、 CPU、磁盘、网络等
MapReduce架构
- Map 阶段并行处理输入数据
- Reduce 阶段对 Map 结果进行汇总
HDFS、 YARN、 MapReduce 关系
大数据生态体系概述
- 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
- 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 Hadoop 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。
- 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。