大数据之Hadoop

大数据

按顺序给出数据存储单位：

bit 、 Byte 、 KB、 MB 、 GB 、 TB 、 PB 、 EB 、 ZB 、 YB 、

BB 、 NB 、 DB 。

1Byte = 8bit 1K = 1024Byte 1MB = 1024K

1G = 1024M 1T = 1024G

1P = 1024T

Hadoop

Hadoop是一个能够对大量数据进行分布式处理的软件框架。

分布式处理是指：比如有100T的大量数据，不存储在一台服务器上，分别存储在3台服务器上，就叫分布式处理。

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。

Hadoop为海量数据提供 存储 + 计算 的一个软件框架，旨在处理大规模数据集。主要解决海量数据的存储和计算问题。

Hadoop三大核心组件：

• HDFS（分布式文件系统） -—— 实现将文件分布式存储在集群服务器上
  • Hadoop分布式文件系统（HDFS）：HDFS是Hadoop的存储组件，它是一个分布式文件系统，设计用于存储大规模数据集。它将数据分割成块并在集群中的多个节点上复制，以提供高可用性和容错性。
• MAPREDUCE（分布式运算编程框架） —— 实现在集群服务器上分布式并行运算
  • MapReduce是Hadoop的计算模型，用于处理分布式数据处理任务。它包括两个主要阶段，即"Map"和"Reduce"。"Map"阶段负责将输入数据映射到中间键/值对，而"Reduce"阶段负责对这些中间结果进行聚合和分析。
• YARN（分布式资源调度系统） —— 帮用户调度大量的 MapReduce 程序，并合理分配运算资源（CPU和内存）
  • YARN是Hadoop的资源管理器，负责集群资源的分配和管理。它允许多个应用程序同时在同一个Hadoop集群上运行，从而提高了资源利用率。

Hadoop四个优点

Hadoop三大组件

HDFS 分布式文件系统

实现将文件（数据）分布式的存储起来

HDFS架构：NameNode + DataNode +Secondary NameNode(2nn)

NameNode（nn）

简单理解是：存储数据存在哪里呀什么的，比如说前面1T存在Hadoop100上。

存储文件（数据）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。

DataNode

是具体存数据的服务器节点，一台服务器就是一个DataNode。

Secondary NameNode(2nn)

NameNode安装服务也有可能宕机掉，这时候2nn就可以上去顶替nn的作用了。所以2nn每隔一段时间就会对nn中的数据进行备份同步。

MapReduce

负责海量数据的计算，计算的过程分为Map和Reduce两个过程。

Map是将海量的数据分成一个一个小模块处理，从而提高数据的处理效率，map就是负责将数据分块并行处理。

Reduce负责将map阶段分模块处理的结果都汇集起来。

YARN

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

三大组件联系

 这100T文件都已经存好了，然后ResourceManager会创建一个总的APP Mtr，AppMtr告诉ResourceManager说这个任务总共需要10G内存，8个CPU，然后ResourceManager就在集群中看，发现Hadoop102 103就够了，就在这个两个上创建了两个Container来处理任务，然后Map就将这个100T的数据分成了两个MapTask分别并行处理，处理的结果由Reduce Task汇总到Hadoop104中。