Hadoop概述

熊猫Panda
111 阅读4分钟

1. Hadoop是什么

  1. Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
  2. 主要解决，海量数据的存储和海量数据的分析计算问题。
  3. 广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

image.png

Hadoop发展历史

  1. Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优 化升级，查询引擎和索引引擎；
  2. 2001年年底Lucene成为Apache基金会的一个子项目；
  3. 对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢；
  4. 学习和模仿Google解决这些问题的办法：微型版Nutch；
  5. 可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）
  • GFS --->HDFS
  • Map-Reduce --->MR
  • BigTable --->HBase
  1. 2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用 了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升；
  2. 2005 年Hadoop 作为Lucene的子项目Nutch的一部分正式引入Apache基金会；
  3. 2006 年3 月份，Map-Reduce和Nutch Distributed File System （NDFS）分别被纳入到Hadoop 项目 中，Hadoop就此正式诞生，标志着大数据时代来临；
  4. 名字来源于Doug Cutting儿子的玩具大象；

3. Hadoop 三大发行版本

Hadoop 三大发行版本：Apache、Cloudera、Hortonworks。

  • Apache 版本最原始（最基础）的版本，对于入门学习最好。2006
  • Cloudera 内部集成了很多大数据框架，对应产品CDH。2008
    • 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。
    • 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
    • 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。 Cloudera的标价为每年每个节点 10000美元 。
    • 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。
  • Hortonworks 文档较好，对应产品HDP。2011
    • 2011年成立的 Hortonworks是雅虎与硅谷风投公司 Benchmark Capital合资组建。
    • 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。
    • 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。
    • 2018年 Hortonworks目前 已经被 Cloudera公司收购 。

4.Hadoop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：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处 理速度。
  4. 高容错性：能够自动将失败的任务重新分配。

5. Hadoop的组成

  • 在Hadoop1.x 时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。
  • 在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce 只负责运算。
  • Hadoop3.x在组成上没有变化。

image.png

5.1 HDFS概述

Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。

  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DataNode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。

5.2 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（内存、CPU等）的老大
  2. NodeManager（NM）：单个节点服务器资源老大
  3. ApplicationMaster（AM）：单个任务运行的老大
  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。

5.3 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

5.4 HDFS、YARN、MapReduce 三者关系

image.png

avatar
文章
阅读
粉丝