Hadoop入門

1、Hadoop是什麼

　　1）Hadoop是一個由Apache基金會所開發的分佈式系統基礎架構。

　　2）Hadoop主要解決，海量數據的存儲和海量數據的分析計算問題。

　　3）廣義上來講，Hadoop一般是指一個更普遍的概念-Hadoop生態圈。

 

2、Hadoop發展歷史

　　1）Lucene框架是Doug Cutting開創的開源軟件，用Java書寫代碼，實現與Google相似的全文搜索功能，它提供了全文檢索引擎的架構，包括完整的查詢引擎和索引引擎。

　　2）2001年年末Lucene稱爲Apache基金會的一個子項目。

　　3）對於海量數據的場景，Lucene面對與Google一樣的困難，存儲數據困難，檢索速度滿。

　　4）學習和模仿Google解決這些問題的辦法：微型版Nutch。

　　5）能夠說Google是Hadoop的思想之源（Google在大數據方面的三篇論文）

　　　　GFS --> HDFS

　　　　Map-Reduce --> MR

　　　　BigTable --> HBase

　　6）2003-2004年，Google公開了部分GFS和MapReduce思想的細節，以此爲基礎Doug Cutting等人用了2年業餘時間實現了DFS和MapReduce機制，使Nutch性能飆升。

　　7）2005年Hadoop做爲Lucene的子項目 Nutch的一部分正式引入Apache基金會。

　　8）2006年3月份，Map-Reduce和Nutch Distributed File System（NDFS）分別被歸入到Hadoop項目中，Hadoop就此正式誕生，標誌着大數據時代來臨。

 

3、Hadoop的發行版本

　　Hadoop三大發行版本：Apache、Cloudera、Hortonworks。

一、Apache Hadoop

　　Apache版本最原始（最基礎）的版本，對於入門學習最好。

　　官方地址：http://hadoop.apache.org/releases.html

二、Cloudera Hadoop　

　　Cloudera在大型互聯網企業中用的較多。

　　官方地址：https://www.cloudera.com/downloads/cdh/5-10-0.html

　　1）2008年成立的Cloudera是最先將Hadoop商用的公司，爲合做夥伴提供Hadoop的商用解決方案，主要是包括支持、諮詢服務、培訓。

　　2）2009年Hadoop的創始人Doug Cutting也加盟Cloudera公司。Cloudera產品主要爲CDH，Cloudera Manager，Cloudera Support

　　3）CDH是Cloudera的Hadoop發行版，徹底開源，比Apache Hadoop在兼容性，安全性，穩定性上有所加強。

　　4）Cloudera Manager是集羣的軟件分發及管理監控平臺，能夠在幾個小時內部署好一個Hadoop集羣，並對集羣的節點及服務進行實時監控，Cloudera Support便是對Hadoop的技術支持。

　　5）Cloudera的標價爲每一年每一個節點4000美圓，Cloudera開發並貢獻了可實時處理大數據的Impala項目。

三、Hortonworks Hadoop

　　Hortonworks文檔較好。

　　官方地址：https://hortonworks.com/products/data-center/hdp

　　1）2011年成立的Hortonworks是雅虎與硅谷風投公司Benchmark Capital 合資組建。

　　2）公司成立之初就吸納了大約25名至30名專門研究Hadoop的雅虎工程師，上述工程師均在2005年開始協助雅虎開發Hadoop，貢獻了Hadoop 80%的代碼。

　　3）雅虎工程師副總裁、雅虎Hadoop開發團隊負責人Eric Baldeschwieler出任Hortonworks的首席執行官。

　　4）Hortonworks的主打產品是Hotonworks Data Platform（HDP），也一樣是100%開源的產品，HDP除常見的項目外還包括了Ambari，一款開源的安裝和管理系統。

　　5）HCatalog，一個元數據管理系統，HCatalog現已繼承到Facebook開源的Hive中。Hortonworks的Stinger開創性的極大的優化了Hive項目，Hortonworks爲入門提供了一個很是好的，易於使用的沙盒。

　　6）Hortonworks開發了不少加強特性並提交至核心主幹，這使得Apache Hadoop可以在包括Window Server 和 Windows Azure在內的Microsoft Windows平臺上本地運行，訂價以集羣爲基礎，每10個節點每一年12500美圓。

 

4、Hadoop的優點（4高）

一、高可靠性

　　Hadoop底層維護多個數據副本，因此即便Hadoop某個計算元素或存儲出現故障，也不會致使數據的丟失。

二、高擴展性

　　在集羣見分配任務數據，可方便的擴展數以千計的節點。

三、高效性

　　在MapReduce的思想下，Hadoop是並行工做的，以加快任務處理速度。

四、高容錯性

　　可以自動地將失敗的任務從新分配。

 

5、Hadoop組成

一、Hadoop1.x 和 Hadoop2.x 區別

　　

　　在Hadoop1.x時代，Hadoop中的MapReduce同時處理業務邏輯運算和資源的調度，耦合性較大，在Hadoop2.x時代，增長了Yarn。Yarn只負責資源的調度，MapReduce只負責運算。

二、HDFS架構概述

　　1）NameNode（nn）：存儲文件的元數據，如文件名，文件目錄結構，文件屬性（生成時間，副本數，文件權限），以及每一個文件的塊列表和塊所在的DataNode等。

　　2）DataNode（dn）：在本地系統存儲文件塊數據，以及塊數據的校驗和。

　　3）Secondary NameNode（2nn）：用來監控HDFS狀態的輔助後臺程序，每格一段時間獲取HDFS元數據的快照。

三、MapReduce架構概述

　　MapReduce將計算過程分爲兩個階段：Map 和 Reduce。

　　1）Map階段並行處理輸入數據

　　2）Reduce階段對Map結果進行彙總。

　　

四、Yarn架構概述

　　1）ResourceManager（RM）主要做用以下：

　　　　a、處理客戶端請求

　　　　b、監控NodeManager

　　　　c、啓動或監控ApplicationMaster

　　　　d、資源的分配與調度

　　2）NodeManager（NM）主要做用以下：

　　　　a、管理單個節點上的資源

　　　　b、處理來自ResourceManager的命令

　　　　c、處理來自ApplicationMaster的命令

　　3）ApplicationMaster（AM）主要做用以下：

　　　　a、負責數據的切分

　　　　b、爲應用程序申請資源並分配給內部的任務

　　　　c、任務的監控與容錯

　　4）Container　　

　　　　Container是YARN中的資源抽象，它封裝了某個節點上的多維度資源，如內存、CPU、磁盤、網絡等。

 

6、大數據技術生態體系

　　

 

名詞解釋：

1）Sqoop：Sqoop是一款開源的工具，主要用於在Hadoop、Hive與傳統的數據庫（Mysql）間進行數據的傳遞，能夠將一個關係型數據庫（例如：Mysql，Oracle等）中的數據導進到Hadoop的HDFS中，也能夠將HDFS的數據導進到關係型數據庫中。

2）Flume：Flume是Cloudera提供的一個高可用的，高可靠的，分佈式的海量日誌採集，聚合和傳輸的系統，Flume支持在日誌系統中定製各種數據發送方，用於收集數據；同時，Flume提供對數據進行簡單處理，並寫到各類數據接受方（可定製）的能力。

3）Kafka：Kafka是一種高吞吐量的分佈式發佈訂閱消息系統，有以下特性：

　　a、經過O(1)d的磁盤數據結構提供消息的持久化，這種結構對於即便數以TB的消息存儲也可以保持長時間的穩定性能。

　　b、高吞吐量：即便是很是普通的硬件Kafka也能夠支持每秒數百萬的消息。

　　c、支持經過Kafka服務器和消費機集羣來分區消息。

　　d、支持Hadoop並行數據加載。

4）Storm：Storm用於「連續計算」，對數據流作連續查詢，在計算時就將結果以流的形式輸出給用戶。

5）Spark：Spark是當前最流行的開源大數據內存計算框架。能夠基於Hadoop上存儲的大數據進行計算。

6）Oozie：Oozie是一個管理Hadoop做業（Job）的工做流程調度管理系統。

7）Hbase：HBase是一個分佈式的、面向列的開源數據庫，HBase不一樣於通常的關係數據庫，它是一個適合於非結構化數據存儲的數據庫。

8）Hive：Hive是基於Hadoop的一個數據倉庫工具，能夠將結構化的數據文件映射爲一張數據庫表，並提供簡單的SQL查詢功能，能夠將SQL語句轉換爲MapReduce任務進行運行，其優勢是學習成本低，能夠經過類SQL語句快速實現簡單的MapReduce統計，沒必要開發專門的MapReduce應用，十分適合數據倉庫的統計分析。

9）R語言：R是用於統計分析、繪圖的語言和操做環境。R是屬於GNU系統的一個自由、免費、源代碼開發的軟件，它是一個用於統計計算和統計製圖的優秀工具。

10）Mahout：Apache Mahout是個可擴展的機器學習和數據挖掘的庫。

11）ZooKeeper：Zookeeper是Google的Chubby一個開源的實現。它是一個針對大型分佈式系統的可靠協調系統，提供的功能包括：配置維護、名字服務、分佈式同步、組服務等。Zookeeper的目標就是封裝好複雜易出錯的關鍵服務，將簡單易用的接口和性能高效、功能穩定的系統提供給用戶。