初识Hadoop(一)

简介

起源于Nutch(全网搜索引擎),是apache开源框架,广义上来说,是一个更广泛的概念(Hadoop生态圈),主要作用是利用集群,根据用户自定义业务逻辑,对海量数据进行分布式处理,核心组件包括HDFS(分布式文件系统)、YARN(运算资源调度系统)、MAPREDUCE(分布式运算编程框架)。

Hadoop生态

初识Hadoop(一)_第1张图片
Hadoop生态.png
  1. HDFS:分布式文件系统
  2. MAPREDUCE:分布式运算编程框架
  3. YARN: 运算资源调度系统
  4. HIVE:基于大数据技术(文件系统+运算框架)的Sql数据仓库工具
  5. ZOOKEEPER:分布式协调服务基础组件
  6. HBASE:基于Hadoop的分布式海量数据库
  7. MaHout:基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
  8. Oozie:工作流调度框架
  9. Sqoop:数据导入导出工具
  10. Flume:日志数据采集框架

数据处理流程

初识Hadoop(一)_第2张图片
处理流程.png
  1. 数据采集:定制开发采集程序,或使用开源框架FLUME
  2. 数据预处理:定制开发MapReduce程序,运行于Hadoop集群上
  3. 数据仓库技术:基于hadoop之上的Hive
  4. 数据导出:基于hadoop的sqoop数据导入导出工具
  5. 数据可视化:定制开发web程序,或使用kettle等产品
  6. 流程调度:hadoop生态圈中的oozie工具或其他开源产品

你可能感兴趣的:(初识Hadoop(一))