目录
- 一、Hadoop 简介
- 二、Hadoop 发展历史
- 三、Hadoop 三大发行版本
- 四、Hadoop 优势
- 五、Hadoop 组成
- 1. HDFS 架构
- 2. YARN 架构
- 3. MapReduce 架构
- 六、HDFS、YARN、MapReduce 三者之间的关系
- 七、大数据技术生态体系
- 八、推荐系统项目框架
一、Hadoop 简介
- Hadoop是一个由Apache基金会所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问题。
- 广义上来说，Hadoop通常是指一个更广泛的概念。
二、Hadoop 发展历史
- Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucenc框架基础上进行优
升级，查询引擎和索引引擎。 - 2001年年底Lucene成为Apache基金会的一个子项目。
- 对于海量数据的场景，Luccnc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。
- 学习和模仿Google解决这些问题的办法：微型版Nutch。
- 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 - 2003-2004年，Google公开了部分GFS和MapRecuce思想的细节，以此为基础Doug了2年业余时间实现了DFS和MapRedice机制，使Nutch性能飙升。
- 2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。
- 2006年3月份，Map-Recuce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。
- 名字来源于Doug Cutting儿子的玩具大象。
三、Hadoop 三大发行版本
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年发行。
Cloudera内部集成了很多大数据框架，对应产品CDH，2008年发行。
Hortonworks文档较好，对应产品HDP，2011年发行。
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：http://hadoop.apache.org 下载地址：https://hadoop.apache.org/releases.html
(2) Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads/cdh 下载地址：https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html
- 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。
- 2009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
- 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。
- loudera 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：https://hortonworks.com/products/data-center/hdp/ 下载地址：https://hortonworks.com/downloads/#data-platform
- 2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
- 公司成立之初就吸纳了大约25名至30名专门研究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。
- 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。
- 2018年Hortonworks目前已经被Cloudera公司收购。
四、Hadoop 优势
可以总结为四高
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。
高扩展性 ：在集群间分配任务数据，可方便的扩展数以干计的节点。
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。
高容错性 ：能够自动将失败的任务重新分配
五、Hadoop 组成
1. HDFS 架构
Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。
- 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、副文件权限)，以及每个文件的块列表和块所在的 DataNode 等。
- 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。
- SecondayNameNode (2nn) ：每隔一段时间对NameNode 元数据备份。
2. YARN 架构
Yet Anther Resource Negotiator 简称 YARN，另一种资源的协调者，是 Hadoop 的资源管理器。
- ResourceManager (RM) ：整个集群资源 (内存、CPU等) 的老大
- NodeManager (NM) ：单个节点服务器资源老大
- ApplicationMaster (AM) ：单个任务运行的老大
- Container ：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。
说明1 ：客户端可以有多个
说明2 ：集群上可以运行多个 ApplicationMaster
说明3 : 每个 NodeManager 上可以有多个 container
3. MapReduce 架构
MapReduce 将计算过程分为两个阶段：Map和Reduce
- Map 阶段并行处理输入数据
- Reduce 阶段对 Map 结果进行汇总
六、HDFS、YARN、MapReduce 三者之间的关系
七、大数据技术生态体系
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。
八、推荐系统项目框架
