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