Hadoop概述

Hadoop這個(gè)單詞本身并沒(méi)有什么特殊的含義，而只是其作者Doug Cutting孩子的一個(gè)棕黃色的大象玩具的名字。

Hadoop是一個(gè)高可靠的(reliable)，規(guī)?？蓴U(kuò)展的(scalable)，分布式(distributed computing)的開(kāi)源軟件框架。它使我們能用一種簡(jiǎn)單的編程模型來(lái)處理存儲(chǔ)于集群上的大數(shù)據(jù)集。

Hadoop是Apache基金會(huì)的一個(gè)開(kāi)源項(xiàng)目，是一個(gè)提供了分布式存儲(chǔ)和分布式計(jì)算功能的基礎(chǔ)架構(gòu)平臺(tái)?？梢詰?yīng)用于企業(yè)中的數(shù)據(jù)存儲(chǔ)，日志分析，商業(yè)智能，數(shù)據(jù)挖掘等。

hadoop核心組件

1. hadoop包含的模塊：

• Hadoop common：提供一些通用的功能支持其他hadoop模塊。

• Hadoop Distributed File System：即分布式文件系統(tǒng)，簡(jiǎn)稱(chēng)HDFS。主要用來(lái)做數(shù)據(jù)存儲(chǔ)，并提供對(duì)應(yīng)用數(shù)據(jù)高吞吐量的訪問(wèn)。

• Hadoop Yarn：用于作業(yè)調(diào)度和集群資源管理的框架。

• Hadoop MapReduce：基于yarn的，能用來(lái)并行處理大數(shù)據(jù)集的計(jì)算框架。

2. HDFS：
HDFS是谷歌GFS的一個(gè)開(kāi)源實(shí)現(xiàn)，具有擴(kuò)展性，容錯(cuò)性，海量數(shù)據(jù)存儲(chǔ)的特點(diǎn)：

• 擴(kuò)展性，主要指很容易就可以在當(dāng)前的集群上增加一臺(tái)或者多臺(tái)機(jī)器，擴(kuò)展計(jì)算資源。

• 容錯(cuò)性，主要指其多副本的存儲(chǔ)機(jī)制。HDFS將文件切分成固定大小的block(默認(rèn)是128M)，并以多副本形式存儲(chǔ)在多臺(tái)機(jī)器上，當(dāng)其中一臺(tái)機(jī)器發(fā)生故障，仍然有其他副本供我們使用。但這個(gè)容錯(cuò)并不是絕對(duì)的，當(dāng)所有節(jié)點(diǎn)都發(fā)生故障，文件就會(huì)丟失，不過(guò)這樣的概率較小。

• 海量數(shù)據(jù)存儲(chǔ)：多臺(tái)機(jī)器構(gòu)成了一個(gè)集群，相對(duì)單機(jī)能存儲(chǔ)更多量的數(shù)據(jù)。這也是Hadoop解決的最主要問(wèn)題之一。

數(shù)據(jù)切分，多副本，容錯(cuò)等機(jī)制都是Hadoop底層已經(jīng)設(shè)計(jì)好的，對(duì)用戶(hù)透明，用戶(hù)不需要關(guān)系細(xì)節(jié)。只需要按照對(duì)單機(jī)文件的操作方式，就可以進(jìn)行分布式文件的操作。如文件的上傳，查看，下載等。

多副本存儲(chǔ)示例：

 

以part-1為例進(jìn)行說(shuō)明，它被分成三個(gè)block，block_id分別是2，4，5，且副本系數(shù)為3?？梢钥吹皆贒ataNode上，2，4，5都各存儲(chǔ)在了三個(gè)節(jié)點(diǎn)上，這樣當(dāng)其中一個(gè)節(jié)點(diǎn)故障時(shí)，仍然能夠保證文件的可用。block_id存在的必要性在于，在用戶(hù)需要對(duì)文件進(jìn)行操作時(shí)，相應(yīng)的block能夠按順序進(jìn)行“組合”起來(lái)。

3. YARN：
Yarn的全稱(chēng)是Yet Another Resource Negotiator，負(fù)責(zé)整個(gè)集群資源的管理和調(diào)度。例如對(duì)每個(gè)作業(yè)，分配CPU，內(nèi)存等等，都由yarn來(lái)管理。它的特點(diǎn)是擴(kuò)展性，容錯(cuò)性，多框架資源統(tǒng)一調(diào)度。
擴(kuò)展性和HDFS的擴(kuò)展性類(lèi)似，yarn也很容易擴(kuò)展其計(jì)算資源。
容錯(cuò)性，主要是指當(dāng)某個(gè)任務(wù)出現(xiàn)異常，yarn會(huì)對(duì)其進(jìn)行一定次數(shù)的重試。
多框架資源統(tǒng)一調(diào)度，這個(gè)是相對(duì)于hadoop1.0版本的一個(gè)優(yōu)勢(shì)。區(qū)別于hadoop1.0只支持MapReduce作業(yè)。而yarn之上可以運(yùn)行不同類(lèi)型的作業(yè)。如下圖所示，很多應(yīng)用都可以運(yùn)行在yarn之上，由yarn統(tǒng)一進(jìn)行調(diào)度。

 

4. mapreduce：
是一個(gè)分布式計(jì)算框架，是GoogleMapReduce的克隆版。和HDFS、Yarn類(lèi)似，也具有擴(kuò)展性和容錯(cuò)性的特點(diǎn)，還將具有海量數(shù)據(jù)離線處理的特點(diǎn)：能夠處理的數(shù)據(jù)量大，但并不是實(shí)時(shí)處理，具有較大的延時(shí)性。

 

WordCount的MapReduce流程如圖所示，主要分為Map和Reduce兩個(gè)過(guò)程。Map階段做映射，對(duì)所有輸入的單詞賦值為1，Reduce階段做匯總，相同的單詞分發(fā)到一個(gè)節(jié)點(diǎn)上并進(jìn)行求和，最終就可以統(tǒng)計(jì)出單詞的個(gè)數(shù)。

hadoop的優(yōu)勢(shì)

hadoop的優(yōu)勢(shì)主要體現(xiàn)在高可靠性，高擴(kuò)展性等方面。

高可靠性是指多副本的存儲(chǔ)機(jī)制和失敗作業(yè)的重新調(diào)度計(jì)算。

高擴(kuò)展性是指資源不夠時(shí)很容易直接擴(kuò)展機(jī)器。一個(gè)集群可以包含數(shù)以千計(jì)的節(jié)點(diǎn)。

其他優(yōu)勢(shì)還表現(xiàn)在：hadoop完全可以部署在普通廉價(jià)的機(jī)器上，成本低。同時(shí)它具有成熟的生態(tài)圈和開(kāi)源社區(qū)。

狹義hadoop VS 廣義hadoop：

狹義hadoop：指一個(gè)用于大數(shù)據(jù)分布式存儲(chǔ)(HDFS)，分布式計(jì)算(MapReduce)和資源調(diào)度(YARN)的平臺(tái)，這三樣只能用來(lái)做離線批處理，不能用于實(shí)時(shí)處理，因此才需要生態(tài)系統(tǒng)的其他的組件。

廣義的hadoop：指的是hadoop的生態(tài)系統(tǒng)，即其他各種組件在內(nèi)的一整套軟件。hadoop生態(tài)系統(tǒng)是一個(gè)很龐大的概念，hadoop只是其中最重要最基礎(chǔ)的部分，生態(tài)系統(tǒng)的每一個(gè)子系統(tǒng)只結(jié)局的某一個(gè)特定的問(wèn)題域。不是一個(gè)全能系統(tǒng)，而是多個(gè)小而精的系統(tǒng)。

hadoop生態(tài)系統(tǒng)

 

由于MapReduce的學(xué)習(xí)成本相對(duì)較高，這樣就誕生了一些其他框架。

Hive 處理的是海量結(jié)構(gòu)化日志數(shù)據(jù)的統(tǒng)計(jì)問(wèn)題。它定義了一種類(lèi)似SQL的語(yǔ)言Hive QL，借助于hive引擎能將其轉(zhuǎn)換為MapReduce作業(yè)并提交到集群上進(jìn)行運(yùn)算。hive適用于離線處理。相比之下，SQL的門(mén)檻就低得多

Mahout是一個(gè)機(jī)器學(xué)習(xí)算法庫(kù)，實(shí)現(xiàn)了很多數(shù)據(jù)挖掘的經(jīng)典算法，幫助用戶(hù)很方便地創(chuàng)建應(yīng)用程序。

Pig可以將腳本任務(wù)轉(zhuǎn)換為MapReduce作業(yè)，同樣是適用于離線分析。

Oozie是一個(gè)工作流調(diào)度引擎，用來(lái)處理具有依賴(lài)關(guān)系的作業(yè)調(diào)度。類(lèi)似的框架有Azkaban，airflow等。

Zookeeper：分布式協(xié)調(diào)服務(wù)，“動(dòng)物園管理員”角色，是一個(gè)對(duì)集群服務(wù)進(jìn)行管理的框架，如維護(hù)故障切換等。

Flume：日志收集框架。將多種應(yīng)用服務(wù)器上的日志，統(tǒng)一收集到HDFS上，這樣就可以使用hadoop進(jìn)行處理

Sqoop：提供關(guān)系型數(shù)據(jù)庫(kù)與HDFS數(shù)據(jù)相互傳輸?shù)墓δ堋?/p>

Hbase：面向列存儲(chǔ)的數(shù)據(jù)庫(kù)。適用于實(shí)時(shí)快速查詢(xún)的場(chǎng)景。

除此之外，還有spark，kafka，flink，redis等新興的一些實(shí)用框架。

reference：https://blog.csdn.net/zcb_data/article/details/80402411

Hadoop生態(tài)系統(tǒng)的特點(diǎn)：

• 開(kāi)源，社區(qū)高活躍

  開(kāi)源意味著源碼可獲取，可以直接基于源碼進(jìn)行改造實(shí)現(xiàn)個(gè)性化需求。社區(qū)活躍高意味著迭代更新快，維護(hù)的人多。

• 囊括了大數(shù)據(jù)處理的方方面面

• 具有成熟的生態(tài)圈。

hadoop發(fā)行版本的選擇

• Apache hadoop：解決了單個(gè)框架的額問(wèn)題，綜合起來(lái)使用會(huì)有jar包沖突，不適合于生產(chǎn)環(huán)境。

• CDH：Cloudera Distributed Hadoop。商業(yè)版本。使用Cloudera Manager對(duì)集群進(jìn)行管理，通過(guò)瀏覽器，不需要通過(guò)linux就可以安裝，與spark結(jié)合的很好。沒(méi)有jar包沖突的問(wèn)題。但Cloudera Manager不開(kāi)源，企業(yè)版收費(fèi)。

  CDH的下載地址：http://archive.cloudera.com/cdh6/cdh/5/

• HDP：Hortonworks Data Platform。商業(yè)版本之一，使用Ambari進(jìn)行統(tǒng)一管理，對(duì)服務(wù)的用戶(hù)收費(fèi)。