Hadoop:分布式系统基础架构

Hadoop

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细姐的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。它的目的是从单一的服务器扩展到成千上万的机器，将集群部署在多台机器，每个机器提供本地计算和存储。Hadoop框架最核心的设计是HDFS和MapReduce。

为什么要使用Hadoop

数据存量和增量极大,极大数据需要存储和分析。
原因：

• Hadoop可以存储并处理大量数据
• Hadoop编程简单易学

Hadoop的特点

1、Hadoop是一个能够对海量量数据进行分布式处理的框架。
2、Hadoop 是可靠的，因为它假设元素的计算和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。
3、Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。
4、Hadoop 还是可伸缩的，Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，所以集群可以很容易进行节点的扩展，扩大集群。能够处理 PB 级数据。
5、此外，Hadoop 依赖于社区服务，因此它的成本比较低，任何人都可以使用。

Hadoop的核心组件

Hadoop Common是一个公共基础设施，用于支撑其他项目，包括RPC、序列化包等。

可扩展、容错、高性能的分布式文件系统，异步复制，一次写入多次读取。

分布式计算框架，主要包含map（映射）和reduce（规约）过程。

Hadoop分布式文件系统–HDFS（Hadoop Distributed File System)

什么是HDFS分布式文件系统

HDFS并不是一个单机文件系统，它是分布在多个集群节点上的文件系统。节点之间通过网络通信进行协作，提供个个节点文件信息，让每个用户都可以看到文件系统的文件，让多机器上的多用户分享文件和存储空间。

HDFS存储过程

文件存储时被分布在多个节点上。这里涉及到一个数据块的概念，数据存储不是按一个文件存储，而是把一个文件分成一个或多个数据块存储，数据块的概念在上一节已经描述过。数据块在存储时并不是都存在一个节点上，而是被分布存储在各个节点中，并且数据块会在其他节点存储副本。

HDFS读取过程

数据读取从多个节点读取。读取一个文件时，从多个节点中找到该文件的数据块，分布读取所有数据块直到最后一个数据块读取完毕。

高度容错性的系统：上传的数据自动保存多个副本，适合部署在廉价的机器上。
适合大数据的处理
流式文件写入：一次写入，多次读取。文件一旦写入，不能修改，只能增加。这样可以保证数据的一致性。

NameNode，用于存储元数据以及处理客户端发出的请求；
SN（Secondary NameNode），一个Checkpoint来帮助NameNode更好的工作；
DataNode，它为 HDFS 提供存储位置。

对外部客户机而言，HDFS就像一个传统的分级文件系统。可以创建、删除、移动或重命名文件，等等。

过程
文件上传：NameNode、SecondaryNameNode、DataNode

HDFS宕机处理

• 冗余备份
• 副本存放
• 备份读取
• 备份数补充

NameNode

SecondaryNameNode

Hadoop并行计算框架——MapReduce

MapReduce是Google提出的一个软件架构，用于大规模数据集（大于1TB）的并行运算。概念“Map（映射）”和“Reduce（归纳）”。

当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归纳）函数，用来把键值对中键相同的值整合，同时应用函数映射成新的键值对。

Hadoop MapReduce原理

Hadoop MapReduce本质

Hadoop生态圈

Hadoop生态系统–HBase

HBase具体内容见我另一篇博客：HBase

Hadoop生态系统—数据访问Hive

Hive是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。

Hadoop应用场景

目前全球范围内80%的在线旅游网站都是在使用Cloudera公司提供的Hadoop发行版，其中SearchBI网站曾经报道过的Expedia也在其中。

国内的电商在Hadoop技术上也是储备颇为雄厚的。阿里巴巴的Hadoop集群拥有150个用户组、4500个集群用户，为淘宝、天猫、一淘、聚划算、CBU、支付宝提供底层的基础计算和存储服务。

搜索引擎无疑会产生大规模的数据，在对海量数据挖掘上使用Hadoop确实能提高效率。在国外，Yahoo的Hadoop应用中就包括搜索引擎。在国内，百度和阿里巴巴也将Hadoop应用到搜索引擎、推荐、数据分析等多个领域。