Hadoop生态系统全面介绍

Hadoop作为大数据的分布式计算框架，发展到今天已经建立起了很完善的生态，本文将一一介绍基于Hadoop生态的一系列框架和组件。

Flume

• 简介：
  Flume 是一个分布式、高可用的服务，用于高效收集、聚合和移动大量日志数据。
• 作用：
  Flume 主要承载的作用是收集各个数据源的事件或日志数据，然后将其Sink到数据库
  
• 架构
  
  Flume的实现架构原理也非常简单，通过Agent代理来实现数据的收集，一个Agent包含了Source，channel，Sink三个组件。
  • Source：采集的数据来源，不同的数据源对应不同的格式，flume支持的source类型有很多，比如avro、thrift、twitter、exec、jms等
    所有的Source类型可参考flume的官方文档：
    https://flume.apache.org/FlumeUserGuide.html#flume-sources
  • Channel：缓冲区，将接收到的source数据缓存起来，供下游的sink消费，只有当数据被sink消费或者进入下一个channel的时候才会被删除。为了保证channel的可用性，flume也提供了多种channel类型，有memory、JDBC、File、Spillable Memory(当内存队列满了会存储到磁盘上) 、还支持自定义channel
  • Sink：消费channel里的数据，将数据发送到目的地，比如hive、hbase等。

Sqoop

Sqoop 用户在Hadoop和各种关系型数据库直接高效的同步传输数据。
一图解释完。ps: 实现同样功能的还有阿里开源的datax

HDFS

Hadoop 分布式文件系统，是Hadoop上层组件的核心存储系统，HBASE，Hive等都是基于HDFS的存储来构建的。

HDFS 也是Master/Slave的主/从架构模式。HDFS 集群由单个 NameNode 和多个DataNode组成，NameNode就是Master，DataNode就是Slave。

• NameNode：负责管理metadata元数据，记录了文件所对应的块信息。
• DataNode，通常集群中每个节点都有一个DataNode，里面存储了具体的数据。

YARN

YARN是一个hadoop的资源管理器，负责管理资源和任务调度。

YARN的基本思想是将JobTracker的两个主要功能（资源管理和作业调度/监控）分离，主要方法是创建一个全局的ResourceManager（RM）和若干个针对应用程序的ApplicationMaster（AM）。这里的应用程序是指传统的MapReduce作业或作业的DAG（有向无环图）

• ResourceManager ：负责系统内所有应用的资源调度
• NodeManager 是每台机器的框架客户端/代理，负责容器管理，监控他们的资源使用情况，例如 cpu、memory、 disk、network，并汇报给ResourceManager/Scheduler

Spark

Spark是一个大规模计算引擎，在大数据领域的地位举足轻重。支持Scala、Java、R、Python、Sql 多种语言。
主要的组件有SparkCore、SparkSQL、Spark MLlib、Spark Streaming、GraphX

• SparkCore：实现了 Spark 的基本功能，包含RDD、任务调度、内存管理、错误恢复、与存储系统交互等模块
• SparkSQL：通过SQL的方式连接数据库的数据，并将数据转化成DataFrame。SparkSQL支持多种数据源，包括 Hive、Avro、Parquet、ORC、JSON 和 JDBC。
• Spark Mllib：是Spark的机器学习库，高质量的算法比MapReduce快100倍。MIlib 提供了丰富和算法和统计方法
  • 分类：逻辑回归、朴素贝叶斯、…
  • 回归：广义线性回归，生存回归，…
  • 决策树、随机森林和梯度提升树
  • 建议：交替最小二乘法 (ALS)
  • 聚类：K-means、高斯混合（GMM）、…
  • 主题建模：潜在狄利克雷分配（LDA）
  • 频繁项集、关联规则和序列模式挖掘
  • 统计：线性代数、假设检验
• Spark Streaming：Spark的流式计算框架，实际上是基于时间的微批处理。通常Apache Flink可取而代之。
• GraphX：是 Apache Spark 用于图形计算的API

Kafka

分布式消息队列，是目前消息队列里面的最强王者。
高吞吐量、高扩展性、高可用性，也支持数据持久化

主要流程：producer生产者发送消息到topic，topic被存放在不同的partition中，由消费组去消费topic里面的消息，一个消费组又由多个消费者组成，一条消息只能由消费组中中的一个消费者消费，避免了重复消费。

Mahout

Mahout是Apache的机器学习库，目标是构建一个用于快速创建可扩展、高性能机器学习应用程序的环境。
主要提供了聚类，分类，协同过滤等开箱即用的算法库，也能方便快速实现自己的算法。

Lucene / Solr / ElasticSearch

Apache Lucene 是完全用 Java 编写的高性能、功能齐全的全文检索引擎架构，提供了完整的查询引擎和索引引擎、部分文本分析引擎。目的是为软件开发人员提供一个简单易用的工具包，以方便地在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎。
Solr 和 ElasticSearch 都架构在 Lucene 之上，能让Lucene更方便的被调用。其倒排索引的设置，在快速检索上比传统的正排索引更加高效。

Oozie

Oozie 是一个用于管理 Apache Hadoop 作业的工作流调度系统。
Oozie Workflow jobs 是由 actions 组成的有向无环图 (DAG)。
Oozie 协调器作业是由时间（频率）和数据可用性触发的周期性 Oozie 工作流作业。
Oozie 与 Hadoop 堆栈的其余部分集成，支持开箱即用的多种 Hadoop 作业（例如 Java map-reduce、Streaming map-reduce、Pig、Hive、Sqoop 和 Distcp）以及系统特定作业（例如Java 程序和 shell 脚本）。
Oozie 是一个可扩展、可靠和可扩展的系统。
还有另外一个优秀的调度框架 Azkaban

Zookeeper

ZooKeeper 是 Apache 软件基金会的一个软件项目，它为大型分布式计算提供开源的分布式配置服务、同步服务和命名注册。

ZooKeeper 的架构通过冗余服务实现高可用性。

Zookeeper 的设计目标是将那些复杂且容易出错的分布式一致性服务封装起来，构成一个高效可靠的原语集，并以一系列简单易用的接口提供给用户使用。

一个典型的分布式数据一致性的解决方案，分布式应用程序可以基于它实现诸如数据发布/订阅、负载均衡、命名服务、分布式协调/通知、集群管理、Master 选举、分布式锁和分布式队列等功能。

ZooKeeper service 之间互相通信，保证服务的高可用性和一致性。
客户端连接到单个 ZooKeeper 服务器。客户端维护一个 TCP 连接，通过它发送请求、获取响应、获取监视事件并发送心跳。如果与服务器的 TCP 连接中断，客户端将连接到其他的服务器。

zookeeper 数据结构
zookeeper 提供的名称空间非常类似于标准文件系统，key-value 的形式存储。名称 key 由斜线 / 分割的一系列路径元素，zookeeper 名称空间中的每个节点都是由一个路径标识。

Ambari

Apache Ambari 是一个用于配置、管理和监控 Apache Hadoop 集群的工具。由一组 RESTful API 和一个web界面组成。

MapReduce

MapReduce是一种分布式计算模型，由Map和Reduce组成。 Map()负责把一个大的block块进行切片并计算。 Reduce() 负责把Map()切片的数据进行汇总、计算。
执行的核心思想： 相同key的键值对为一组调用一次Reduce方法，方法内迭代这组数据进行计算。
MapReduce在大数据计算领域的地位举足轻重，可以使用很多廉价的机器达到惊人的算力。
图中是整个MapReduce的大致计算过程，详细介绍可看官网，后续我也会写一篇详细的介绍。

Hive

架构于Hadoop之上，可以将结构化的HDFS文件映射成一张表，并提供了类似于SQL语法的HQL查询功能。毫不夸张的说正是因为有了Hive的诞生，Hadoop才会被大面积推广和使用，并且经久不息。

核心本质：将HQL语句转换成MapReduce任务

Hive的主要优缺点
优点：
避免了开发人员去实现Map和Reduce的接口，大大降低了学习成本
HQL语法类似于SQL语法，简单、容易上手
缺点：
执行效率比较低 Hive生成的MapReduce任务，不够智能化，容易造成数据倾斜
Hive的架构

• HIVE：
  Meta Store: 元数据，一般存储在mysql
  Client: 客户端
  Driver:驱动器
  HQL Parse: 解析器，HQL解析和语法分析
  Physical Plan: 编译生成逻辑执行计划
  Query Optimizer: 对逻辑执行计划进行优化
  Execution: 把逻辑执行计划转换成物理执行计划
• Hadoop
  Map Reduce: 执行计算
  HDFS: 文件存储

Pig

Pig和Hive类似，也是基于hadoop的封装计算，核心也是为了简化MapReduce的编程。不同的是Pig提供的语法更加类似于shell，所以导致两者的使用人群不一致。Hive更多的面向开发人员，而Pig更多的面向与运维人员。

HBase

HBase是一个分布式、可扩展的、列式存储的、支持大数据量的实时开源数据库。
HBase基于面列式存储，其中RowKey的设计，使得他能够提供快速的点查和范围查询，但是不支持复杂的SQL查询

上图是HBASE的基础架构图。
HBASE的数据存储在HDFS上
Client：客户端，它提供了访问HBase的接口，并且维护了对应的cache来加速HBase的访问。
Zookeeper：存储HBase的元数据（meta表），无论是读还是写数据，都是去Zookeeper里边拿到meta元数据告诉给客户端去哪台机器读写数据
HRegionServer：它是处理客户端的读写请求，负责与HDFS底层交互，是真正干活的节点。
总结大致的流程就是：client请求到Zookeeper，然后Zookeeper返回HRegionServer地址给client，client得到Zookeeper返回的地址去请求HRegionServer，HRegionServer读写数据后返回给client。

届于大数据技术革新太快，本文会不定时更新，如果感兴趣的话，可以关注下。