小白学习大数据测试之hadoop初探

Hadoop的历史

---

这里就不多说了，网上很多资料，总而言之对于hadoop谷歌和雅虎对于ta的贡献功不可没。更多介绍请自行查看这里：https://baike.baidu.com/item/Hadoop/3526507?fr=aladdin

Hadoop的应用场景

---

数据分析，如日志系统、推荐系统

离线计算

海量数据存储

Hadoop的核心

---

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

这里特别需要注意的是hadoop是一个总称，主要由HDFS和MapReduce组成。其中MapReduce可以独立使用，用户只要继承MapReduceBase，提供分别实现Map和Reduce的两个类，并注册Job即可自动分布式运行

HDFS

---

ta是Hadoop分布式文件系统，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，适合那些有着超大数据集的应用程序。可以加入QQ交流群522720170一起来学习。

那么HDFS有什么优势吗？显然非常多，大致有如下几点：

1、适合存储大数据的文件，T级别以上或者一大坨的数据

2、这些大数据文件被打散存储，存储在不同的计算器上，这样方便快速的读取

3、一次写入不能做变化了，如果变化也只能在末尾添加，也就是不支持动态改变文件内容

4、同一个文件块副本会分配到其它某几个主机上，如果其中一台主机失效，可以迅速找另一块副本取文件

5、不用多说了，一堆廉价的机器就可以撑起大数据集群

了解HDFS之后我们来看看他的存储结构，看图说话

上图的解释如下：

• HDFS 内部的所有通信都基于标准的 TCP/IP 协议

• NameNode（仅一个），保存整个文件系统的目录信息、文件信息及分块信息。以前如果NameNode挂了那就完蛋了，但是hadoop2.x之后可以有备用使用了。

• DataNode可以分布在不同的机器上，用来存储在 HDFS 中的文件被分成块（block）

• block块的大小（通常为 64MB）和复制的块数量在创建文件时由客户机决定。

• NameNode 依赖来自每个 DataNode 的定期心跳消息。如果 DataNode 不能发送心跳消息，NameNode 将采取修复措施，重新复制在该节点上丢失的块

MapReduce

---

ta大家可以理解为编程模型，主要就是完成对数据的处理的。当HDFS完成存储之后，对海量数据的分析处理就要依靠MapReduce了。简单来理解就是先对数据进行map划分，在对数据进行reduce合并，如下图。

为了让大家更好的理解，这里举个栗子。假设小强测试品牌学员群有上亿的学员（这是我们的目标，嘿嘿，官网http://xqtesting.sxl.cn）我们想找出其中薪水最高的那个人。放到MapReduce里大概是这样的过程：将数据扔到block中，然后进行map找到最高的，然后再reduce汇总分析找出最大的。这个过程非常复杂要经历key-value的产生重组等过程，但是hadoop已经帮我们实现了，我们只需要编写相应的命令即可。

hadoop大数据处理的意义

---

Hadoop得以在大数据处理应用中广泛应用得益于其自身在数据提取、变形和加载(ETL)方面上的天然优势。

Hadoop的分布式架构，将大数据处理引擎尽可能的靠近存储，对例如像ETL这样的批处理操作相对合适，因为类似这样操作的批处理结果可以直接走向存储。

Hadoop的MapReduce功能实现了将单个任务打碎，并将碎片任务(Map)发送到多个节点上，之后再以单个数据集的形式加载(Reduce)到数据仓库里