大数据技术之Hadoop（一）

Hadoop 概述

1.1 Hadoop 是什么

Hadoop是什么

• 1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构。

• 2）主要解决，海量数据的存储和海量数据的分析计算问题。

• 3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

Hadoop生态

1.2 Hadoop 发展历史 （了解）

Hadoop发展历史

• 1）Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优化升级，查询引擎和索引引擎。

• 2）2001年年底Lucene成为Apache基金会的一个子项目。

• 3）对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。

• 4）学习和模仿Google解决这些问题的办法 ：微型版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 Distributed File System （NDFS）分别被纳入到 Hadoop 项目中，Hadoop就此正式诞生，标志着大数据时代来临。

• 9）名字来源于Doug Cutting儿子的玩具大象

1.3 Hadoop 三大发行版本 （了解）

Hadoop 三大发行版本：Apache、Cloudera、Hortonworks。

Apache 版本最原始（最基础）的版本，对于入门学习最好。2006

Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008

Hortonworks 文档较好，对应产品 HDP。2011

Hortonworks 现在已经被 Cloudera 公司收购，推出新的品牌 CDP。

• 1 ）Apache Hadoop

官网地址

下载地址

• 2 ）Cloudera Hadoop

官网地址

下载地址

• （1）2008 年成立的 Cloudera 是最早将 Hadoop 商用的公司，为合作伙伴提供 Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。

• （2 ）2009 年 年 Hadoop 的创始人 Doug Cutting 也加盟 Cloudera 公司。Cloudera 产品主要为 CDH，Cloudera Manager，Cloudera Support

• （3）CDH 是 Cloudera 的 Hadoop 发行版，完全开源，比 Apache Hadoop 在兼容性，安全性，稳定性上有所增强。Cloudera 的标价为每年每个节点 10000 美元。

• （4）Cloudera Manager 是集群的软件分发及管理监控平台，可以在几个小时内部署好一个 Hadoop 集群，并对集群的节点及服务进行实时监控。

• 3 ）Hortonworks Hadoop

官网地址

下载地址

• （1）2011 年成立的 Hortonworks 是雅虎与硅谷风投公司 Benchmark Capital 合资组建。

• （2 ）公司成立之初就吸纳了大约 25 名至 30 名专究 门研究 Hadoop 的雅虎工程师，上述工程师均在 2005 年开始协助雅虎开发 Hadoop ，贡献了 Hadoop80% 的代码。

• （3）Hortonworks 的主打产品是 Hortonworks Data Platform（HDP），也同样是 100%开源的产品，HDP 除常见的项目外还包括了 Ambari，一款开源的安装和管理系统。

• （4）2018 年 Hortonworks 目前 已经被 Cloudera 公司收购。

1.4 Hadoop 优势 （4 高）

Hadoop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。

高可靠

2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。

高扩展性

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。

高效性

4）高容错性：能够自动将失败的任务重新分配。

高容错性

1.5 Hadoop 组成

Hadoop1.x、2.x、3.x区别

区别

1.5.1 HDFS 架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

HDFS架构概述

• 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)：每隔一段时间对NameNode元数据备份。

1.5.2 YARN 架构概述

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

YARN架构概述

YARN

1.5.3 MapReduce 架构概述

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

MapReduce架构概述

MapReduce

1.5.4 HDFS 、YARN 、MapReduce 三者关系

HDFS、YARN、MapReduce三者关系

1.6 大数据技术生态体系

大数据技术生态体系

大数据生态体系

图中涉及的技术名词解释如下：

• 1）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。

• 2）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；

• 3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；

• 4）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。

• 5）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。

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

• 7）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。

• 8）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。

• 9）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。

1.7 推荐系统框架图

推荐系统项目框架

推荐系统框架