Hadoop概述

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。

Hadoop发展历史

1. Hadoop创始人Doug Cutting (opens new window)，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）

   1. GFS --->HDFS
   2. Map-Reduce --->MR
   3. BigTable --->HBase

6. 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。

7. 2005 年Hadoop作为Lucene的子项目 Nutch的一部分正式引入Apache基金会。

8. 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。

9. 名字来源于Doug Cutting儿子的玩具大象。

   

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
• Hortonworks文档较好，对应产品HDP。2011，Hortonworks现在已经被Cloudera公司收购，推出新的品牌CDP。

1. Apache Hadoop

   • 官网地址：http://hadoop.apache.org
   • 下载地址：https://hadoop.apache.org/releases.html

2. Cloudera Hadoop

   • 官网地址：https://www.cloudera.com/downloads/cdh
   • 下载地址：https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html

   2.1、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。

   2.2、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

   2.3、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。Cloudera的标价为每年每个节点10000美元。

   2.4、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。

3. Hortonworks Hadoop

   • 官网地址：https://hortonworks.com/products/data-center/hdp/
   • 下载地址：https://hortonworks.com/downloads/#data-platform

   3.1、2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。

   3.2、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。

   3.3、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。

   3.4、2018年Hortonworks目前已经被Cloudera公司收购。

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（面试重点）

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

  

• 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

HDFS、YARN、MapReduce三者关系

大数据技术生态体系

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。

推荐系统框架图