@大数据技术分享1.hadoop框架生态

一、hadoop主要解决：大数据的存储和分析计算
1.hadoop的三篇论文： GFS --> HDFS Map-Reducer --> MR BigTable --> Hbase
2.hadoop 的优势：
1）高可靠性：因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理。
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。
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。
4）高容错性：自动保存多份副本数据，并且能够自动将失败的任务重新分配。

3.hadoop 组成：
        HDFS 文件系统 
        MapReducer 计算框架
        Yarn 作业调度、资源管理框架
        Common 支持其他模块的框架

4.Hdfs的架构
   NameNode (nn)存储文件的元数据
   DataNode (dn)存储文件块数据，以及块数据的校验和
   Secondary NameNode(2nn)监控HDFS状态的辅助程序，定时获取HDFS元数据的快照。

5. YARN架构
   1）ResourceManager(rm)：处理客户端请求、启动/监控ApplicationMaster、
      监控NodeManager、资源分配与调度；
    2）NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager
        的命令、处理来自ApplicationMaster的命令；
    3）ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、
        任务监控与容错。
    4）Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及
        环境变量、启动命令等任务运行相关的信息。

 6.MapReduce架构
    1）Map阶段并行处理输入数据
    2）Reduce阶段对Map结果进行汇总

……………………………………………………………………………………………………………………………………………………………………………………………………………………

二、大数据生态体系

（1）Sqoop：用于在Hadoop(Hive)与传统的数据库(mysql)间进行数据的传递，可以将关 
    系型数据库中的数据导进到HDFS中，也可以将HDFS的数据导进到关系型数据库中

（2）flume：是高可用的，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；同时，
                Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力 

 （3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统
      1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的
        消息存储也能够保持长时间的稳定性能。
      2）高吞吐量：普通的硬件Kafka也支持每秒数百万的消息
      3）支持通过Kafka服务器和消费机集群来分区消息。
      4）支持Hadoop并行数据加载。
 （4）Storm：Storm为分布式实时计算提供了一组通用原语，可被用于“流处理”
        实时处理消息并更新数据库。 Storm也可被用于“连续计算”
        （continuous computation），对数据流做连续查询，在计算时就将结
        果以流的形式输出给用户。
 （5）Spark：Spark是当前最流行的开源大数据内存计算框架。可基于Hadoop
        存储的大数据进行计算。
 （6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理
        系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie
        工作流程。
 （7）Hbase：HBase是一个分布式的、面向列的开源数据库。是一个非结构化数据
        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语句转为MapReduce
        任务进行运行。
 （9）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个
         自由、免费、源代码开放的软件，它是用于统计计算、制图的优秀工具。
 （10）Mahout:apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout
        支持主要的4个用例：
        推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。
        聚集：收集文件并进行相关文件分组。
        分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的
              文档进行正确的归类。
        频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。

 （11）ZooKeeper：Zookeeper是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的目标就是封装好复杂易出错的关键服务，将简单易用的接口和
          性能高效、功能稳定的系统提供给用户。