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
    大数据之Hadoop(一)-Hadoop入门_第1张图片

1.2Hadoop发展史

1、Lucene框架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

大数据之Hadoop(一)-Hadoop入门_第2张图片

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

大数据之Hadoop(一)-Hadoop入门_第3张图片

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

大数据之Hadoop(一)-Hadoop入门_第4张图片

3、大数据技术生态体系

大数据之Hadoop(一)-Hadoop入门_第5张图片

  • 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
大数据之Hadoop(一)-Hadoop入门_第6张图片

4、大数据部门业务流程分析

在这里插入图片描述

5、大数据部门组织结构

大数据之Hadoop(一)-Hadoop入门_第7张图片

你可能感兴趣的:(大数据之Hadoop,hadoop,大数据,hadoop入门,大数据入门)