Hadoop——相关组件及其关系

如今Apache Hadoop已成为大数据行业发展背后的驱动力。Hive和Pig等技术也经常被提到，但是他们都有什么功能，为什么会需要奇怪的名字（如Oozie，ZooKeeper、Flume）。

Hadoop带来了廉价的处理大数据（大数据的数据容量通常是10-100GB或更多，同时数据种类多种多样，包括结构化、非结构化等）的能力。但这与之前有什么不同？

现 今企业数据仓库和关系型数据库擅长处理结构化数据，并且可以存储大量的数据。但成本上有些昂贵。这种对数据的要求限制了可处理的数据种类，同时这种惯性所 带的缺点还影响到数据仓库在面对海量异构数据时对于敏捷的探索。这通常意味着有价值的数据源在组织内从未被挖掘。这就是Hadoop与传统数据处理方式最 大的不同。

本文将介绍Hadoop系统的组成部分，并解释各个组成部分的功能。

Hadoop生态环境包含十多种组件或子项目，但在安装、配置和集群规模的部署以及管理等方面都面临不小的挑战。

Hadoop主要组件包含：

Hadoop：Java编写的软件框架，以支持数据密集型分布式应用

ZooKeeper：高可靠性分布式协调系统

MapReduce：针对大数据的灵活的并行数据处理框架

HDFS：Hadoop分布式文件系统

Oozie：负责MapReduce作业调度

HBase：Key-value数据库

Hive：构建在MapRudece之上的数据仓库软件包

Pig：Pig是架构在Hadoop之上的高级数据处理层。Pig Latin语言为编程人员提供了更直观的定制数据流的方法。

Hadoop MapReduce方法的应用范围以及典型的特征

• 庞大的数据量
• 较少或没有数据依赖
• 包含结构化和非结构化数据
• 适合大规模的并行处理

应用用例

• 足够快速的批处理分析仪满足业务需求和业务报告，如网站流量和产品推荐分析。
• 使用数据挖掘和机器学习算法迭代分析。如关联规则分析K-means数据聚集、链接分析（数据分析技术）、数据挖掘分类、著名的Bayes算法分析。
• 统计分析和提炼，如Web日志分析、数据分析
• 行为分析，如点击流分析，用户视频行为等
• 转换和增强功能，如社交媒体、ETL处理、数据标准化等

通常情况下，Hadoop应用于分布式环境。就像之前Linux的状况一样，厂商集成和测试Apache Hadoop生态系统的组件，并添加自己的工具和管理功能。