Hadoop大数据平台实战 —— 基础概念

Hadoop 起源于 Google 的三大论文：

• GFS：Google 的分布式文件系统 Google File System
• MapReduce：Google 的 MapReduce 开源分布式并行计算框架
• BigTable：一个大型的分布式数据库

上述三大论文的演变关系：

• GFS —— -> HDFS
• Google MapReduce —— -> Hadoop MapReduce
• BigTable —— -> HBase

Hadoop 名称的由来：

Hadoop 之父 Doug Cutting 儿子毛绒玩具象命名的。

Hadoop主流版本：

• $原生版本：Apache基金会hadoop$
• Cloudera版本（Cloudera‘s Distribution Including Apache Hadoop，简称"CDH"）
• Hortonworks版本（Hortonworks Data Platform，简称"HDP"）

*	Apache Hadoop	CDH	HDP
管理工具	手动人工	Cloudera Manager	Ambari
收费情况	开源	社区版免费，企业版收费	免费

实际生产过程中是根据原生版本衍生自己封装的版本，这里我们只是为了学习Hadoop，直接使用原生版本即可

Hadoop框架最核心设计：HDFS 和 MapReduce

• HDFS 为海量的数据提供了存储
• MapReduce 为海量的数据提供了计算

Hadoop框架的四个模块：

• Hadoop Common：这些是其他 Hadoop 模块所需的 Java 库和实用程序。这些库提供文件系统和操作系统级抽象，并包含启动 Hadoop 所需的 Java 文件和脚本
• Hadoop YARN：这是一个用于作业调度和集群资源管理的框架
• Hadoop Distributed File System（HDFS）：分布式文件系统，提供对应用程序数据的高吞吐量访问
• Hadoop MapReduce：基于 YARN 的用于并行处理大数据集的系统

Hadoop 的优点：

• Hadoop是一个能够对大量数据进行分布式处理的软件框架
• Hadoop 以一种可靠、高效、可伸缩的方式进行数据处理
• Hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理
• Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度
• Hadoop 是可伸缩的，能够处理 PB 级数据
• Hadoop 依赖于社区服务，因此它的成本比较低，任何人都可以使用
• Hadoop是一个能够让用户轻松架构和使用的分布式计算平台
• 主要优点为：
  1. 高可靠性 Hadoop按位存储和处理数据的能力值得人们信赖
  2. 高扩展性 Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中
  3. 高效性 Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快
  4. 高容错性 Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配
  5. 低成本 与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低

Hadoop 核心架构

• HDFS
  对外部客户机而言，HDFS就像一个传统的分级文件系统。可以创建、删除、移动或重命名文件，等等。
  但是 HDFS 的架构是基于一组特定的节点构建的。这些节点包括 NameNode（仅一个），它在 HDFS 内部提供元数据服务；DataNode，它为 HDFS 提供存储块。HDFS 内部的所有通信都基于标准的 TCP/IP 协议
• NameNode
  NameNode 是一个通常在 HDFS 实例中的单独机器上运行的软件。它负责管理文件系统名称空间和控制外部客户机的访问，NameNode 决定是否将文件映射到 DataNode 上的复制块上。
  对于最常见的 3 个复制块，第一个复制块存储在同一机架的不同节点上，最后一个复制块存储在不同机架的某个节点上。
  实际的 I/O事务并没有经过 NameNode，只有表示 DataNode 和块的文件映射的元数据经过 NameNode。
  当外部客户机发送请求要求创建文件时，NameNode 会以块标识和该块的第一个副本的 DataNode IP 地址作为响应。
  这个 NameNode 还会通知其他将要接收该块的副本的 DataNode。
  NameNode 在一个称为 FsImage 的文件中存储所有关于文件系统名称空间的信息。
  这个文件和一个包含所有事务的记录文件（这里是 EditLog）将存储在 NameNode 的本地文件系统上。
  FsImage 和 EditLog 文件也需要复制副本，以防文件损坏或 NameNode 系统丢失。
• DataNode
  DataNode 也是一个通常在 HDFS实例中的单独机器上运行的软件。Hadoop 集群包含一个 NameNode 和大量 DataNodeDataNode 通常以机架的形式组织，机架通过一个交换机将所有系统连接起来。Hadoop 的一个假设是：机架内部节点之间的传输速度快于机架间节点的传输速度。DataNode 响应来自 HDFS 客户机的读写请求。它们还响应来自 NameNode 的创建、删除和复制块的命令。NameNode 依赖来自每个 DataNode 的定期心跳（heartbeat）消息。每条消息都包含一个块报告，NameNode 可以根据这个报告验证块映射和其他文件系统元数据。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
• 文件操作
  DFS 并不是一个万能的文件系统。它的主要目的是支持以流的形式访问写入的大型文件。
  如果客户机想将文件写到 HDFS 上，首先需要将该文件缓存到本地的临时存储。
  如果缓存的数据大于所需的 HDFS 块大小，创建文件的请求将发送给 NameNode。NameNode 将以 DataNode 标识和目标块响应客户机。
  同时也通知将要保存文件块副本的 DataNode。
  当客户机开始将临时文件发送给第一个 DataNode 时，将立即通过管道方式将块内容转发给副本 DataNode。
  客户机也负责创建保存在相同 HDFS名称空间中的校验和（checksum）文件。
  在最后的文件块发送之后，NameNode 将文件创建提交到它的持久化元数据存储（在 EditLog 和 FsImage 文件）
• Linux 集群
  Hadoop 框架可在单一的 Linux 平台上使用（开发和调试时），官方提供MiniCluster作为单元测试使用，
  不过使用存放在机架上的商业服务器才能发挥它的力量。这些机架组成一个 Hadoop 集群。
  它通过集群拓扑知识决定如何在整个集群中分配作业和文件。
  Hadoop 假定节点可能失败，因此采用本机方法处理单个计算机甚至所有机架的失败

Hadoop应用场景：

• 在线旅游
• 移动数据
• 电子商务
• 能源开采与节能
• 基础架构管理
• 图像处理
• 诈骗检测
• IT安全
• 医疗保健

大数据的生态体系(开发 + 运维)

HDFS 工作原理