大数据之Hadoop（一）-Hadoop入门

1、 Hadoop基本介绍

1.1Hadoop是什么

• Hadoop是一个由Apache基金会所开发的分布式系统基础架构
• 主要解决，海量数据的存储和海量数据的分析计算问题
• 广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈
  

1.2Hadoop发展史

1、Lucene框架是Doug Cutting（Hadoop创始人） 开创的开源软件，用Java写的，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Lucene成为了Apache基金会的一个子项目
3、对于海量数据的场景，Lucene面对与Google同样的困难，存储数据困难，检索速度慢
4、学习和模仿Google解决了这些问题：创建了微型版的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，使得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
  8、2006年3月份，Map-Reduce和Nutch Distnbuted File System(NDFS)分别被纳入Hadoop项目中，Hadoop就此正式诞生，标志着大数据时代来临

1.3Hadoop的优势（4高）

1. 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失
2. 高扩展性：在集群间分配任务数据，可以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：能够自动将失败的任务重新分配

2、Hadoop的组成

2.1Hadoop1.x和Hadoop2.x的区别

2.2HDFS架构

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
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
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

2.3YARN架构

2.4MapReduce架构

MapReduce将计算过程分为两个阶段：Map和Reduce

1. Map阶段：并行处理输入数据
2. Reduce阶段：对Map结果进行汇总

3、大数据技术生态体系

• 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。
• 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。
• 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：
  （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。
  （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。
  （3）支持通过Kafka服务器和消费机集群来分区消息。
  （4）支持Hadoop并行数据加载。
• Storm：Storm用于“连续计算”，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。
• 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。
• Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
• 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。
• 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。
• 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。
• Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
• 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。

比如：下图为一个推荐系统项目框架

4、大数据部门业务流程分析

5、大数据部门组织结构