hadoop(hadoop是什么)_dhkkiu-CSDN博客

本文链接：https://blog.csdn.net/weixin_43801718/article/details/104728358

Hadoop是什么

Hadoop是Apache基金会开发的分布式系统基础架构
Hadoop主要被用来解决海量数据的存储和海量数据的分析计算
广义上来说，Hadoop通常是指一个更广泛的概念----Hadoop生态圈

Hadoop发展历史

Lucene框架是Doug Cutting开创的开源软件，用Java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎。

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面对与Google同样的困难，存储数据困难，检索速度慢。
学习和模仿Google解决这些问题的办法：微型版Nutch。
可以说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年业余时间实现了DFS和MapReduce机制，使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，标志着大数据时代来临。
Hadoop名字的来源于Doug Cutting儿子的玩具大象

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，对于入门较好
· Cloudera 在大型互联网中用的较多，其配置较为简单，可以一键进行集群的部署
· Hortonworks 国外用的较多，文档较好

Apache Hadoop
官网地址： http://hadoop.apache.org/releases.html
下载地址： https://archive.apache.org/dist/hadoop/common/
Cloudera Hadoop
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/
Hortonworks Hadoop
官网地址： https://hortonworks.com/products/data-center/hdp/
下载地址 https://hortonworks.com/downloads/#data-platform

Hadoop优势(4高)

高可靠性： 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。

Hadoop组成(重点)

Hadoop1.x和Hadoop2.x区别

在Hadoop1.x时代，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，在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算。

HDFS(Hadoop Destribute File System)架构概述

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；描述数据本身信息的数据

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):
用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。
但是2NN并不是NN的热备份。如果将NN比做做手术的主刀医生，那么2NN就相当于递钳子，手术刀的医生，当主刀医生挂了，递刀的医生可以代替主刀医生吗？显然是够呛。所以2NN相比于NN，更多是辅助的作用。

Yarn架构概述

ResourceManager(RM):

处理客户端的请求
监控NodeManager
启动或监视AppilcationMaster
资源的分配与调度

NodeManager(NM):

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

ApplicationMaster(AM):

负责数据的切分
为应用程序申请资源，并分配给内部的任务
任务的监控与容错

Container:

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

ResourceMaster相当于大队长，然后有个任务ApplicationMaster来了，大队长觉得这个任务太小了，不值得他出手，于是他就指派NodeManager为"临时大队长"来处理这个任务，但是“临时大队长”发现这个任务他完成不了，于是就拿着ApplicationMaster给大队长说:“我的的资源不够处理这个任务”，于是大队长通过ApplicationMaster调度别的NodeManager的Container的资源来并行处理

MapReduce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

大数据技术生态体系

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。
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：

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。
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。
支持通过Kafka服务器和消费机集群来分区消息。
支持Hadoop并行数据加载。

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。
Mahout： Apache Mahout是个可扩展的机器学习和数据挖掘库。
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。
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。