其他分享
首页 > 其他分享> > 啃掉Hadoop系列笔记(01)-Hadoop框架的大数据生态

啃掉Hadoop系列笔记(01)-Hadoop框架的大数据生态

作者:互联网

一、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

二、Hadoop发展历史

    1)Lucene--Doug Cutting开创的开源软件,用java书写代码,实现与Google类似的全文搜索功能,它提供了全文检索引擎的架构,包括完整的查询引擎和索引引擎

    2)2001年年底成为apache基金会的一个子项目

    3)对于大数量的场景,Lucene面对与Google同样的困难

    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)

        GFS --->HDFS

        Map-Reduce --->MR

        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。2006 年 3 月份,Map-Reduce和Nutch Distributed File System (NDFS) 分别被纳入称为 Hadoop 的项目中

    8)名字来源于Doug Cutting儿子的玩具大象

47tbr91ramfeoujp63ng5q9838

    9)Hadoop就此诞生并迅速发展,标志这云计算时代来临

三、Hadoop三大发行版本

    1)Apache版本最原始(最基础)的版本,对于入门学习最好。

    2)Cloudera在大型互联网企业中用的较多。

        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。

        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。Cloudera Support即是对Hadoop的技术支持。

        2.5)Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

    3)Hortonworks文档较好。

        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)雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。

        3.4)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。

        3.5)HCatalog,一个元数据管理系统,HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的,易于使用的沙盒。

        3.6)Hortonworks开发了很多增强特性并提交至核心主干,这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的microsoft Windows平台上本地运行。定价以集群为基础,每10个节点每年为12500美元。

四、Hadoop的优势

    1)高可靠性:因为Hadoop假设计算元素和存储会出现故障,因为它维护多个工作数据副本,在出现故障时可以对失败的节点重新分布处理。

    2)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。

    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:自动保存多份副本数据,并且能够自动将失败的任务重新分配。

五、Hadoop组成

    1)概述

        1.1)Hadoop HDFS:一个高可靠、高吞吐量的分布式文件系统。

        1.2)Hadoop MapReduce:一个分布式的离线并行计算框架。

        1.3)Hadoop YARN:作业调度与集群资源管理的框架。

        1.4)Hadoop Common:支持其他模块的工具模块。

image

    2)HDFS架构概述

        2.1)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。

        1.2)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。

        1.3)Secondary NameNode(2nn):用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据的快照。

    3)YARN架构概述

        3.1)ResourceManager(rm):处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度;

        3.2)NodeManager(nm):单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令;

        3.3)ApplicationMaster:数据切分、为应用程序申请资源,并分配给内部任务、任务监控与容错。

        3.4)Container:对任务运行环境的抽象,封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

    4)MapReduce架构概述

        MapReduce将计算过程分为两个阶段:Map和Reduce

        4.1)Map阶段并行处理输入数据

        4.2)Reduce阶段对Map结果进行汇总

    5)大数据技术生态体系

        5.1)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。

        5.2)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。

        5.3)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:

            5.3.1)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。

            5.3.2)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

            5.3.3)支持通过Kafka服务器和消费机集群来分区消息。

            5.3.4)支持Hadoop并行数据加载。

        5.4)Storm:Storm为分布式实时计算提供了一组通用原语,可被用于“流处理”之中,实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。Storm也可被用于“连续计算”(continuous computation),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。

        5.5)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。

        5.6)Oozie:Oozie是一个管理Hdoop作业(job)的工作流程调度管理系统。Oozie协调作业就是通过时间(频率)和有效数据触发当前的Oozie工作流程。

        5.7)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。

        5.8)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。

        5.10)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。

        5.11)Mahout:Apache Mahout是个可扩展的机器学习和数据挖掘库,当前Mahout支持主要的4个用例:

            推荐挖掘:搜集用户动作并以此给用户推荐可能喜欢的事物。

            聚集:收集文件并进行相关文件分组。

            分类:从现有的分类文档中学习,寻找文档中的相似特征,并为无标签的文档进行正确的归类。

            频繁项集挖掘:将一组项分组,并识别哪些个别项会经常一起出现。

        5.12)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。

image

标签:HDFS,啃掉,01,Hortonworks,Hadoop,开源,Cloudera,数据
来源: https://www.cnblogs.com/chuanqi1415583094/p/11073761.html