大数据（二）：入门Hadoop

一、什么是大数据，什么是Hadoop

        大数据：指无法再一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多元化的信息资产。

        数据存储单位：bit

大数据的特点：

• Volume（大量）

• Velocity（高速）

• variety（多样）

• Value（低价值密度）

Hadoop是一个由Apache基金会所开发的分布式系统基础框架，主要解决，海量数据的存储和海量数据的分析计算问题。

Hadoop的优势：

• 高可靠性：因为Hadoop假设计算元素和存储会垂涎故障，所以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。

• 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：自动报错多副本数据，并且能够自动将失败的任务重新分配

 

二、Hadoop基本结构

Hadoop的组成：

• Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统

• Hadoop MapReduce：一个分布式的离线并行计算框架

• Hadoop YARN：作业调度与集群资源管理的框架

• Hadoop Common：支持其他模块的工具模块

HDFS架构概述：

• 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

• 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

YARN架构概述：

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

• 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

• ApplicationMaster：数据切片、为应用程序申请资源、并分配给内部认为、任务监控和容错。

• 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。

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

 

三、大数据生态体系