Hadoop入门

1.Hadoop是什么？
    1.Hadoop是由apache基金会开发的分布式系统基础架构
    2.Hadoop的开发是为了解决海量数据的存储和海量数据的分布式计算
    3.Hadoop又称为：Hadoop生态圈
2.Hadoop的三大发行版本
    1.Apache版本最原始（最基础），适合初学者使用学习
    2.Cloudera在大型的互联网的企业用的比较多
    3.Hortonworks文档比较好
    1）Cloudera Hadoop 
        （1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
        （2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support
        （3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。
        （4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。
        （5）Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。
    2）Hortonworks Hadoop
        （1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
        （2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
        （3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。
        （4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
        （5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。
        （6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。
3.Hadoop的优势
    1.高可靠性：因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理
    2.高扩展性：在集群间分配任务数据，可方便扩展数以千计的节点
    3.高兴性：在Map Reduce的思想下，Hadoop时并行工作，以加快任务处理速度
    4.高容错性：自动保存多份副本数据，并且能够自动将失败的任务重新分配
4.Hadoop的组成
    1.Hadoop HDFS: 一个高可靠、高吞吐量的分布式文件系统
    2.Hadoop Map Reduce：一个分布式的离线并行计算框架
    3.Hadoop YARN：作业调度与集群资源管理的框架
    4.Hadoop Common：支持其他模块的工具模块
5.HDFS架构概述
    1.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DateNode等
    2.DateNode(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):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
6.YARN架构概述
    1.ResourceManager(rm):处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度
    2.Node Manager(nm):单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令
    3.ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错
    4.Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息
7.Map Reduce架构概述：
    Map Reduce将计算过程分为两个阶段：Map和Reduce
    1.Map阶段并进行处理输入数据
    2.Reduce阶段对Map结果进行汇总
8.大数据的生态体系
    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支持的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的处理，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0(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服务器和消费集群来分区消息
        4.支持Hadoop并进行数据加载
    4.Storm：Storm为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。
    Storm也可以被用于“连续计算”（continuous computation），对数据流做连续查询，在计算时就将结果以流的方式输出给用户
    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Hadoop作业（job）的工作流程调度管理系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie工作流程
    7.Hbase: Hbase是一个分布式的、面向列的开源数据库。Hbase不同于一般的关系型数据库，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Map Reduce统计，不必开发专门的MapReduce应用，十分适合数据仓库统计分析。
    9.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
    10.Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout支持主要的4个用例：
        推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物
        聚集：收集文件并进行相关文件分组
        分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类
        频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现
    11.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。