Hadoop教程(第一节)

大数据概论

概念

大数据的特点

大数据应用场景

大数据部门业务流程分析

从Hadoop框架讨论大数据生态

Hadoop是什么

Hadoop的优势

完成大数据的计算
①写程序，程序需要复合计算框架的要求！
java---->main----->运行
MapReduce(编程模型)----->Map–Reducer
②运行程序，申请计算资源(cpu+内存，磁盘IO，网络IO)
java----->JVM------>OS----->申请计算资源
1.0: MapReduce(编程模型)---->JobTracker----->JVM----->申请计算资源
2.0: MapReduce(编程模型)---->jar------>运行时，将jar包中的任务，提交给YARN，和YARN进行通信
由YARN中的组件-----JVM------>申请计算资源

1.x和2.x的区别是将资源调度和管理进行分离！由同一的资源调度平台YARN进行大数据计算资源的调度！
提升了Hadoop的通用性！Hadoop搭建的集群中的计算资源，不仅可以运行Hadoop中的MR程序！
也可以运行其他计算框架的程序！

在hadoop不久之后，由于MR的低效性，出现了许多更为高效的计算框架！
例如： Tez，Storm,Spark，Flink

HDFS

负责大数据的存储
	核心进程：
	必须进程：
		Namenode(1个)： 负责文件，名称等元数据(属性信息)的存储！
						文件名，大小，文件切分了多少块(block)，创建和修改时间等！
						
				职责： 接受客户端的请求！
					   接受DN的请求！
					   向DN分配任务！
		Datanode(N个)： 负责文件中数据的存储！
				职责：  负责接受NM分配的任务！
						负责数据块(block)的管理(读，写)！
		
	可选进程：
		SecondaryNamenode(N个):  负责辅助NameNode工作！

MapReduce

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

MapReduce(编程规范)： 程序中有Mapper(简单处理)和Reducer(合并)
		
		遵循MapReduce的编程规范，编写的程序，打包后，称为一个Job(任务)！
		
		Job需要提交到YARN上，向YARN申请计算资源，运行Job中的Task(进程)！
		
		Job会先创建一个进程MRAppMaster(mapreduce 应用管理者)，由MRAppMaster向YARN申请资源！
		MRAppMaster负责监控Job中各个Task运行情况，进行容错管理！

YARN

YARN负责集群中所有计算资源的管理和调度！
		
		常见进程：
		
		ResourceManager(1个):   负责整个集群所有资源的管理！
				职责： 负责接受客户端的提交Job的请求！
						负责向NM分配任务！
						负责接受NM上报的信息！
		
		NodeManager(N个):  负责单台计算机所有资源的管理！
				职责：  负责和RM进行通信，上报本机中的可用资源！
						负责领取RM分配的任务！
						负责为Job中的每个Task分配计算资源！

Container（容器）:  NodeManager为Job的某个Task分配了2个CPU和2G内存的计算资源！
								为了防止当前Task在使用这些资源期间，被其他的task抢占资源！
								将计算资源，封装到一个Container中，在Container中的资源，会被暂时隔离！
								无法被其他进程所抢占！
								
								当前Task运行结束后，当前Container中的资源会被释放！允许其他task来使用！

大数据的生态体系

图中涉及的技术名词解释如下：
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。
3）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：
（1）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。
（2）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。
（3）支持通过Kafka服务器和消费机集群来分区消息。
（4）支持Hadoop并行数据加载。
4）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。
5）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。
6）Oozie：Oozie是一个管理Hdoop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。
10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
12）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。

推荐系统架构图