大数据各架构概述

Hadoop概述

1.hadoop是Apache基金会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。
2.Hadoop优势：
（1）高可靠性：Hadoop底层维护多个数据副本；
（2）高扩展性：可以动态增加与删除节点
（3）高效性：在MapRudece的思想下，Hadoop是并行工作的，以加快任务的处理速度。
（4）高容错性：能够自动将失败的任务重新分配。

HDFS架构概述

1.HDFS是分布式文件系统
（1）NameNode：储存数据的元数据，如：文件名，文件的目录结构，文件的属性（生成时间，副本数，文件权限），以及每个的块列表和块所在的DataNode等。
（2）DataNode：储存具体的数据，在本地文件系统储存文件的块数据，以及块数据的校验和。
（3）Secondary NameNode（2nn）：每隔一段时间对NameNode元数据备份。

YARN 架构概述

1.是Hadoop的资源管理器（主要管理cpu和内存资源）
（1）ResourceManage：整个集群资源的老大
（2）NodeManage：单个节点服务器的资源老大
（3）ApplicationMaster:单个任务运行的老大
（4）Container：容器，相当于一个服务器里面封装了任务运行所需要的资源

MapRudece架构概述

它是离线计算引擎
（1）是基于集群的高性能并行计算平台
（2）是并行计算与运行软件框架
（3）是并行程序设计模型与方法
（4）是一个分布式运算程序的编程框架
优点：
（1）易于编程
（2）良好的扩展性
（3）高容错性
（4）适合PB级别以上的海量数据离线处理
缺点：
（1）不适合实时计算
（2）不擅长流式计算
（3）不擅长DAG（有向图）计算

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。

Spark

Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。（计算速度更快）
Spark和Hadoop的根本差异是多个作业之间的数据通信问题，Spark多个作业之间数据通信是基于内存，而Hadoop是基于磁盘。
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。

Kafka

Kafka是一个分布式的基于发布/订阅系统的的消息队列，主要应用与大数据实时处理领域。
Kafka 是一种高吞吐量的分布式发布订阅消息系统；

Zookeeper

ZooKeeper：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从设计模式角度来理解：是一个基于观察者模式设计的分布式服务管理框架，它负责储存和管理大家都关心的数据 ，然后接受观察者的注册，一旦这些数据状态发生改变，Zookeeper就负责通知那些已经在Zookeeper注册的观察者做出相应的反应。
Zookeeper=文件系统+通知机制
Zookeeper特点：

Flink

Flink是一个框架和分布式处理引擎 （计算引擎），用于对无界和有界数据流进行状态计算。
Flink主要特点：
1.时间驱动
2.基于流的世界观：在Flink世界观里一切都是由流组成的，离线数据是有界的流，实时数据是无界的流，这就是所谓的有界流和无界流。
3.分层API：
其它特点：
Flink和Spark Streaming的比较：
Flink（流 stream）；Spark Streaming（微批处理）

Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。

Flume

Flume：Flume 是一个高可用的，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；
Flume最主要的作用：实时的读取服务器本地磁盘的数据，将数据传输到HDFS中。

Sqoop

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。

Oozie

Oozie：Oozie 是一个管理Hadoop 作业（job）的工作流程调度管理系统。