Hadoop概述

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框架
  
• 其主要解决，海量数据的存储和海量数据的的分析计算问题
  
• 广义上，Hadoop通常是指一个更加广泛的概念——Hadoop生态圈
  

Hadoop的发展历史

• Hadoop创始人Doug Cutting，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。
  

](https://gitee.com/ilusymon//images4md/raw/master/Nefelibata/image-20210621161540936.png)

• 2001年年底Lucene成为Apache基金会的一个子项目。
  
• 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。
  
• 学习和模仿Google解决这些问题的办法 ：微型版Nutch。
  
• 可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）
  

GFS --->HDFS
Map-Reduce --->MR
BigTable --->HBase

• 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。
  
• 2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
  
• 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（了解）

• 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。
  
  
  
  • Apache Hadoop Hadoop
    官网地址：http://hadoop.apache.org
    下载地址：https://hadoop.apache.org/releases.html
    
  • Cloudera Hadoop
    官网地址：https://www.cloudera.com/downloads/cdh
    下载地址：https://docs.cloudera.com/documentation/enterprise/6/releasenotes/topics/rg_cdh_6_download.html
    
    
    
    • 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。
      
    • 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
      
    • 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。
      
    • 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。
      
    
    
  • Hortonworks Hadoop
    官网地址：https://hortonworks.com/products/data-center/hdp/ 下载地址：https://hortonworks.com/downloads/#data-platform
    
    
    
    • 2011 年成立的 Hortonworks 是雅虎与硅谷风投公司 Benchmark Capital 合资组建。
      
    • 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。
      
    • 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。
      
    • 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，以加快任务处理的速度
  
• 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）

• 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。
  
• 在Hadoop3.x时代在组成上没有变化。
  <img alt="image-20230407213613184">
  

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。
  <img alt="image-20230407213904111">
  
• ResourceManager（RM）：整个集群资源（内存、CPU等）的管理者
  
• NodeManager（NM）：单个节点服务器资源管理者
  
• ApplicatMasters（AM）：单个任务运行的管理者
  
• 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的资源（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ApplicatMaster
    
  • 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


图中涉及的技术名词解释如下：

• 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。
  
• 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；
  
• Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；
  
• 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。
  
• 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。
  
• Oozie：Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。
  
• 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。
  
• 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。
  
• 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

<img alt="image-20230407215508604">
 


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！