Hadoop入门知识点

一、什么是Hadoop

• 是一个由Apache基金会所开发的分布式系统基础架构。
• 主要解决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。

二、Hadoop发展历史

• Hadoop最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。
• 2003年、2004年**谷歌发表的两篇论文为该问题提供了可行的解决方案**。 ​ ——分布式文件系统（GFS），可用于处理海量网页的**存储** ​ ——分布式计算框架MAPREDUCE，可用于处理海量网页的**索引计算**问题
• Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目(同年，cloudera公司成立)，迎来了它的快速发展期。

三、Hadoop的四大特性(优点)

• 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，以加快任务处理的速度。
• 高容错性：能够自动将失败的任务重新分配

四、Hadoop的历史版本以及框架介绍

• 0.x系列版本：hadoop当中最早的一个开源版本，在此基础上演变而来的1.x以及2.x的版本。
• 1.x版本系列：hadoop版本当中的第二代开源版本，主要修复0.x版本的一些bug等。
• 2.x版本系列：架构产生重大变化，引入了yarn平台等许多新特性。

                                                         1.X版本架构模型

                                   NameNode与ResourceManager单节点架构模型

#文件系统核心模块：

• NameNode：集群当中的主节点，主要用于管理集群当中的各种数据。
• secondaryNameNode：主要能用于hadoop当中元数据信息的辅助管理。
• DataNode：集群当中的从节点，主要用于存储集群当中的各种数据。

#数据计算核心模块：

• ResourceManager：接收用户的计算请求任务，并负责集群的资源分配，以及计算任务的划分。
• NodeManager：负责执行主节点ResourceManager分配的任务。

                                                         2.X版本架构模型

                                   NameNode与ResourceManager高可用架构模型

#文件系统核心模块：

• NameNode：集群当中的主节点，主要用于管理集群当中的各种数据，一般都是使用两个，实现HA高可用。
• JournalNode：元数据信息管理进程，一般都是奇数个。
• DataNode：从节点，用于数据的存储。

#数据计算核心模块：

• ResourceManager：Yarn平台的主节点，主要用于接收各种任务，通过两个，构建成高可用。
• NodeManager：Yarn平台的从节点，主要用于处理ResourceManager分配的任务。

五、Hadoop组成

                         1、HDFS（Hadoop Distributed File System）的架构概述

                                                         2、YARN架构概述

• **在Hadoop1.x版本中有HDFS和MapReduce两个架构，而在2.x版本中加入了Yarn架构来分担MapReduce的需求，降低了资源的耦合性。**

                                                  3、MapReduce架构概述

MapReduce将计算过程分为两个阶段：

• Map阶段并行处理输入数据。
• Reduce阶段对Map结果进行汇总。