2-hadoop-Hadoop以及生态
Hadoop是什么
1、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
3、广义上说，Hadoop通常是一个广泛的概念------->Hadoop生态圈
发展历史
1、Lucene科=框架是Doug Cutting开创的开源软件，用java代码实现，于google类似的全文搜索功能
它提供了全文检索引擎架构，包括完整的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面对和Google同样的问题，存数据满检索数据速度慢
4、悬系模仿Google解决方法：微型版Nutch
5、Goog是Hadoop的思想之源
论文：GFS--->HDFS, Map-Reduce--->MR,BigTable--->HBase
6、03-04年，Google公开了部分GFS和MapReduce思想的细节，以此为基础的Dong Cutting等人用了两年
业余时间实现了DFS和MapReduce机制，是哦那个Nutch性能飘升
7、05年Hadoop作为Lucene的一部分正式引入Apache基金会
8、06年，Map-Reduce和Nutch Distribute File System（NDFS）分别纳入hadoop的项目中
9、名字来源于其儿子的玩具大象
三大发行版本
Hadoop三大发行版本：Apache、Cloudrea、Hortonworks
Apache：
https://hadoop.apache.org/
Cloudera（CDH版）：在大型互联网公司使用较多
https://www.cloudera.com/products/open-source/apache-hadoop/key-cdh-components.html
所有版本都是一些列的（如1.2.1直接干一套）
Hortonworks：文档比较好
Hadoop的优势
1、高可靠性
hadoop底层维护多个数据副本（至少备份三份），所以即使Hadoop某个计算元素出现故障，也不会导致数据丢失
2、高扩展性
在集群间分配任务数据，可方便地扩展数以千计地节点
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
能够自动将失败的任务重新分配
Hadoop1.x和2.x的区别
HDFS
Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。
它和现有的分布式文件系统有很多共同点。但同时，它和其他的分布式文件系统的区别也是很明显的。
HDFS是一个高度容错性的系统，适合部署在廉价的机器上。
HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。
HDFS放宽了一部分POSIX约束，来实现流式读取文件系统数据的目的。
HDFS在最开始是作为Apache Nutch搜索引擎项目的基础架构而开发的。
HDFS是Apache Hadoop Core项目的一部分。
这个项目的地址是http://hadoop.apache.org/core/。
1、NameNode(nn)：存储文件的元素据，如文件名，文件目录结构、文件属性（生成属性，副本数，文件限制） 以及每个文件的块列表和块所在的DataNode等
2、DataNode(dn)：在本地文件存储系统文件块数据，以及块数据的校验和
3、Secondary nameNode(2nn):用来监控HDFS状态的辅助后台程序，每个一段时间获取HDFS元素的快照
YARN
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
生态体系
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Cloudera提供的一个高可用的，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；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，有如下特性：
（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：即使是非常普通的硬件Kafka也可以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用于“连续计算”，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。可以基于Hadoop上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。
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。
10）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，它是一个用于统计计算和统计制图的优秀工具。
11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。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。
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。
推荐搭建系统
