Hadoop概述
Hadoop是什么
- 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
Hadoop发展历史
- 起源：Hadoop的概念源自Google在2003年发布的两篇论文：“The Google File System”（GFS）和“MapReduce: Simplified Data Processing on Large Clusters”。这两篇文章描述了如何存储和处理海量数据。
- Nutch项目：Doug Cutting和Mike Cafarella在创建网络爬虫项目Nutch时开始实现类似GFS的文件系统，即后来的HDFS（Hadoop Distributed File System），以及MapReduce执行框架。
- Yahoo!支持：2005年，Doug Cutting加入Yahoo!，Yahoo!成为了Hadoop早期发展的主要赞助者之一。Yahoo!为Hadoop项目贡献了大量的资源，包括硬件和开发人员。
- Hadoop 1.0：大约在2008年，Hadoop正式成为Apache顶级项目。Hadoop 1.0版本主要是基于HDFS和MapReduce模型。
- Hadoop 2.0：2017年之前发布，引入了YARN（Yet Another Resource Negotiator），它将资源管理和作业调度/监控功能从MapReduce中分离出来，使得Hadoop能够支持多种数据处理应用程序，而不仅仅是MapReduce。
- 生态系统扩展：随着时间的发展，围绕Hadoop形成了一个庞大的生态系统，包括Hive（用于SQL查询）、Pig（高级脚本语言）、HBase（NoSQL数据库）、Spark（内存计算框架）等众多组件，这些工具极大地丰富了Hadoop的功能。
Hadoop三大发行版本
-
Apache Hadoop:
- 特点: 这是最原始和基础的Hadoop版本，直接由Apache软件基金会维护。它是完全开源的，提供了基础的Hadoop功能，包括HDFS（Hadoop Distributed File System）和MapReduce。
- 适用人群: 对于初学者来说非常适合，因为它可以让用户了解Hadoop的核心概念和技术。
- 官方网站: hadoop.apache.org/
-
Cloudera Hadoop (CDH) :
- 特点: CDH（Cloudera's Distribution Including Apache Hadoop）是Cloudera公司的Hadoop发行版。它在Apache Hadoop的基础上增加了额外的功能，如更好的兼容性、安全性和稳定性。Cloudera还提供了Cloudera Manager，这是一个强大的集群管理工具，可以帮助用户快速部署和管理Hadoop集群。
- 适用人群: 大型企业，尤其是那些需要高级支持和管理工具的企业。
- 官方网站: www.cloudera.com/downloads/c… （请注意链接可能会随时间而变化）
-
Hortonworks Hadoop (HDP) :
- 特点: HDP（Hortonworks Data Platform）是Hortonworks公司提供的100%开源的Hadoop发行版。HDP除了包含标准的Hadoop组件外，还包括了Ambari，一个用于安装和管理Hadoop集群的开源工具。Hortonworks在Hadoop社区中非常活跃，经常贡献代码回主干。
- 适用人群: 寻求良好文档支持和易用性的用户，以及希望使用开源解决方案的企业。
- 官方网站: hortonworks.com/products/da… （请注意链接可能会随时间而变化）
参考链接:Hadoop中文网: hadoop.org.cn/docs/
Hadoop优势(4高)
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,以加快任务处理速度
高容错性:
能够自动将失败的任务重新分配
Hadoop组成
Hadoop 1.x 2.x 3.x区别
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。
HDFS架构概述
Hadoop Distributed File System,简称HDFS,是一个分布式文件系统
- NameNode(nn):存储文件的元数据,如文件名 文件目录机构 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
- 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
- Secondary NameNode(2nn):每隔一段时间对NameNode元数据备份
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.
- ResourceManager(RM): 整个集群资源(内存 CPU等)的老大
- NodeManager(NM): 单个节点服务器资源老大
- ApplicationMaster(AM): 单个任务运行的老大
- Container: 容器,相当于一台独立的服务器,里面封装了任务运行所需要的资源,如内存 CPU 磁盘 网络等
说明:
- 客户端可以有多个
- 集群上可以运行多个ApplicationMaster
- 每个NodeManager上可以有多个Container
MapReduce架构概述
MapReduce将计算过程分为两个阶段: Map 和 Reduce
- Map阶段并行处理输入数据
- Reduce阶段对Map结果进行汇总
任务需求: 找出某年某月的一个视频
HDFS YARN MapReduce 三者关系
- HDFS 提供了MapReduce作业所需的数据存储。当一个MapReduce任务启动时，它会从HDFS中读取数据。
- YARN 负责资源的管理和任务的调度。当MapReduce任务提交到Hadoop集群后，YARN会根据集群的资源情况决定在哪里执行Map和Reduce任务。
- MapReduce 利用YARN分配的资源来进行数据处理。MapReduce可以从HDFS中读取数据，并将处理结果写回到HDFS中。
大数据生态体系
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；
3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；
4）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。
5）Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
6）Oozie：Oozie 是一个管理 Hadoop 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。
9）ZooKeeper：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。
