2hadoopHadoop以及生态

Hadoop是什么

1、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

3、广义上说，Hadoop通常是一个广泛的概念------->Hadoop生态圈

发展历史

1、Lucene科=框架是Doug Cutting开创的开源软件，用java代码实现，于google类似的全文搜索功能

　　它提供了全文检索引擎架构，包括完整的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面对和Google同样的问题，存数据满检索数据速度慢

4、悬系模仿Google解决方法：微型版Nutch

5、Goog是Hadoop的思想之源

　　　　论文：GFS--->HDFS, Map-Reduce--->MR,BigTable--->HBase

6、03-04年，Google公开了部分GFS和MapReduce思想的细节，以此为基础的Dong Cutting等人用了两年

　　业余时间实现了DFS和MapReduce机制，是哦那个Nutch性能飘升

7、05年Hadoop作为Lucene的一部分正式引入Apache基金会

8、06年，Map-Reduce和Nutch Distribute File System（NDFS）分别纳入hadoop的项目中

9、名字来源于其儿子的玩具大象

三大发行版本

Hadoop三大发行版本：Apache、Cloudrea、Hortonworks

Apache：

　　https://hadoop.apache.org/

Cloudera（CDH版）：在大型互联网公司使用较多

　　https://www.cloudera.com/products/open-source/apache-hadoop/key-cdh-components.html

　　所有版本都是一些列的（如1.2.1直接干一套）

Hortonworks：文档比较好

Hadoop的优势

1、高可靠性

hadoop底层维护多个数据副本（至少备份三份），所以即使Hadoop某个计算元素出现故障，也不会导致数据丢失

2、高扩展性

在集群间分配任务数据，可方便地扩展数以千计地节点

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

Hadoop1.x和2.x的区别

 HDFS

Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。

它和现有的分布式文件系统有很多共同点。但同时，它和其他的分布式文件系统的区别也是很明显的。

HDFS是一个高度容错性的系统，适合部署在廉价的机器上。

HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。

HDFS放宽了一部分POSIX约束，来实现流式读取文件系统数据的目的。

HDFS在最开始是作为Apache Nutch搜索引擎项目的基础架构而开发的。

HDFS是Apache Hadoop Core项目的一部分。

这个项目的地址是http://hadoop.apache.org/core/。

1、NameNode(nn)：存储文件的元素据，如文件名，文件目录结构、文件属性（生成属性，副本数，文件限制） 以及每个文件的块列表和块所在的DataNode等

2、DataNode(dn)：在本地文件存储系统文件块数据，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，每个一段时间获取HDFS元素的快照

YARN

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

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。

推荐搭建系统