初识Hadoop

目录##

  • Hadoop背景介绍

  • Hadoop生态圈以及各组成部分的简介

  • Hadoop案例感性认识

1、Hadoop 背景介绍###

Hadoop 是什么####

  • 1、Hadoop是apache旗下的一套开源软件平台

  • 2、Hadoop提供的功能:利用服务器集群,根据用户的自定义业务逻辑,对海量数据进行分布式处理

  • 3、Hadoop的核心组件有

    • A.HDFS(分布式文件系统)

    • B.YARN(运算资源调度系统)

    • C.MAPREDUCE(分布式运算编程框架)

广义上来说,Hadoop通常是指一个更广泛的概念——HADOOP生态圈

Hadoop 产生背景####

  • 1、HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎,包括网页抓取、索引、查询等功能,但随着抓取网页数量的增加,遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

  • 2、2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。

  • 分布式文件系统(GFS),可用于处理海量网页的存储

  • 布式计算框架MAPREDUCE,可用于处理海量网页的索引计算问题。

  • 3、Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE,并从Nutch中剥离成为独立项目HADOOP,到2008年1月,HADOOP成为Apache顶级项目,迎来了它的快速发展期。

2、Hadoop 生态圈以及各组成部分的简介

初识Hadoop_第1张图片
Hadoop生态圈

重点组件

  • HDFS:分布式文件系统

  • MAPREDUCE:分布式运算程序开发框架

  • HIVE:基于大数据技术(文件系统+运算框架)的SQL数据仓库工具

  • HBASE:基于HADOOP的分布式海量数据库

  • ZOOKEEPER:分布式协调服务基础组件

  • Mahout:基于mapreduce/spark/flink等分布式运算框架的机器学习算法库

  • Oozie:工作流调度框架

  • Sqoop:数据导入导出工具

  • Flume:日志数据采集框架

3、Hadoop 案例感性认知

通过以下案例,感受以下Hadoop在数据分析系统的宏观概念及处理流程,初步理解hadoop等框架在其中的应用环节。

案例:离线数据分析

一个应用广泛的数据分析系统:“web日志数据挖掘”

3.1 需求分析

案例名称

“网站或APP点击流日志数据挖掘系统”

一般中型的网站(10W的PV以上),每天会产生1G以上Web日志文件。大型或超大型的网站,可能每小时就会产生10G的数据量。

具体来说,比如某电子商务网站,在线团购业务。每日PV数100w,独立IP数5w。用户通常在工作日上午10:00-12:00和下午15:00-18:00访问量最大。日间主要是通过PC端浏览器访问,休息日及夜间通过移动设备访问较多。网站搜索浏量占整个网站的80%,PC用户不足1%的用户会消费,移动用户有5%会消费。

对于日志的这种规模的数据,用HADOOP进行日志分析,是最适合不过的了。

需求描述

Web点击流日志”包含着网站运营很重要的信息,通过日志分析,我们可以知道网站的访问量,哪个网页访问人数最多,哪个网页最有价值,广告转化率、访客的来源信息,访客的终端信息等。

数据来源

本案例的数据主要由用户的点击行为记录

获取方式:在页面预埋一段js程序,为页面上想要监听的标签绑定事件,只要用户点击或移动到标签,即可触发ajax请求到后台servlet程序,用log4j记录下事件信息,从而在web服务器(nginx、tomcat等)上形成不断增长的日志文件。

形如:

58.215.204.118 - - [18/Sep/2013:06:51:35 +0000] "GET /wp-includes/js/jquery/jquery.js?ver=1.10.2 HTTP/1.1" 304 0 "http://blog.fens.me/nodejs-socketio-chat/" "Mozilla/5.0 (Windows NT 5.1; rv:23.0) Gecko/20100101 Firefox/23.0"

3.2 数据处理流程

流程图解析

本案例跟典型的BI系统极其类似,整体流程如下:

初识Hadoop_第2张图片
数据处理流程图

但是,由于本案例的前提是处理海量数据,因而,流程中各环节所使用的技术则跟传统BI完全不同:

    1. 数据采集:定制开发采集程序,或使用开源框架FLUME
    1. 数据预处理:定制开发mapreduce程序运行于hadoop集群
    1. 数据仓库技术:基于hadoop之上的Hive
    1. 数据导出:基于hadoop的sqoop数据导入导出工具
    1. 数据可视化:定制开发web程序或使用kettle等产品
    1. 整个过程的流程调度:hadoop生态圈中的oozie工具或其他类似开源产品

项目技术架构图

初识Hadoop_第3张图片
项目技术架构图

这是对Hadoop的初步认识,了解Hadoop的一些应用场景。下一步就要对Hadoop集群进行搭建了。

你可能感兴趣的:(初识Hadoop)