Hadoop入门介绍

一、Hadoop基本介绍

（1）Hadoop是什么？

Hadoop是一个由Apache基金会所开发的分布式系统基础框架，主要用于解决海量数据的存储和分析计算问题。

（2）Hadoop的优势

1. 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。
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：Hadoop是并行工作的，加快任务处理速度
4. 高容错性：能够自动将失败的任务重写分配

（3）Hadoop 1.x、2.x、3.x的区别（面试）

• hadoop 1.x ：由Common（辅助工具）、HDFS（数据存储）和 MapReduce（计算+资源调度）组成
• hadoop 2.x：由Common（辅助工具）、HDFS（数据存储）、MapReduce（计算）、Yarn（资源调度）组成
• hadoop 3.x：组成上没有什么区别

（4）Hadoop的三种运行模式

1. 本地模式：数据存储在Linux本地
2. 伪分布式：数据存储在HDFS中
3. 完全分布式：数据存储在HDFS中，并使用多台服务器工作

二、HDFS架构概述

Hadoop Distributed File System，简称HDFS，是一个分布式文件系统，对文件进行存储。

1. NameNode（nn）：存储文件元数据，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Data Node等。
2. 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。
3. Secondary NameNode（2nn）：每隔一段时间对NameNode元数据备份，防止NameNode突然挂掉。

三、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。

1. ResourceManager（RM）：整个集群资源的管理者（内存、cpu等）
2. NodeManager（NM）：单节点资源的管理者
3. ApplicationMaster（AM）：单个任务运行的管理者
4. 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资源，如内存、cpu、磁盘、网络等。

说明：

1. 集群上可以运行多个ApplicationMaster
2. 每个NodeManager可以有多个Container

注意：

★ NameNode和SecondaryNameNode不要安装在同一台服务器
★ ResourceManager也很消耗内存，不要和NameNode、SecondaryNameNode配置在同一台机器上

四、MapReduce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

五、大数据生态体系

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）的工作流程调度管理系统。
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。