Hadoop 简介
Hadoop 是什么
Hadoop 是一个提供分布式存储和计算的开源软件框架，它具有无共享、高可用（HA）、弹性可扩展的特点，非常适合处理海量数量。
- Hadoop 是一个开源软件框架
- Hadoop 适合处理大规模数据
- Hadoop 被部署在一个可扩展的集群服务器上
Hadoop 三大核心组件
- HDFS（分布式文件系统） -—— 实现将文件分布式存储在集群服务器上
- MAPREDUCE（分布式运算编程框架） —— 实现在集群服务器上分布式并行运算
- YARN（分布式资源调度系统） —— 帮用户调度大量的 MapReduce 程序，并合理分配运算资源（CPU和内存）
Hadoop 优点
-
高可靠性
Hadoop 维护存储多个数据副本，增加数据冗余，避免数据丢失
-
高扩展性
Hadoop 集群可以方便地扩展更多的集群节点
-
高效性
Hadoop 能够在集群节点之间动态地移动数据，并保证各个节点数据的动态平衡，以并行的方式工作，处理速度非常快
-
高容错性
Hadoop 维护存储多个数据副本，并且能够自动将失败的任务重新分配
-
低成本
Hadoop 是开源框架，项目的软件成本会大大降低。 Hadoop 使用 Java 语言编写，可以跨平台运行
Hadoop 生态圈
Hadoop 生态圈是指围绕 Hadoop 软件框架为核心而出现的越来越多的相关软件框架，这些软件框架和 Hadoop 框架一起构成了一个生机勃勃的 Hadoop 生态圈。在特定场景下，Hadoop 有时也指代 Hadoop 生态圈。
Hadoop 生态圈的架构图
- Hadoop Common：Hadoop 体系最底层的一个模块，是其他模块的基础设施
- HDFS：Hadoop 分布式文件系统，是 Hadoop 的基石
- YARN：另一种资源协调器，是统一资源管理和调度平台
- MapReduce：是一种编程模型，非常适合进行分布式计算
- Spark：新一代计算框架，和 MapReduce 相比性能大幅度提升
- HBase：是一个分布式的、面向列族的数据库（底层依赖 HDFS）
- Hive：是一个基于 Hadoop 的数据仓库工具（SQL 语句）
- Pig：与Hive 类似，也是对大型数据集进行分析和评估的工具
- Impala：与 Hive 类似，可以对存储在 HDFS、HBase的海量数据提交交互式 SQL 查询的工具
- Mahout：是一个机器学习和数据挖掘库，可以实现经典的机器学习算法
- Flume：是一个高可用、高可靠、分布式的海量日志采集框架
- Sqoop：是一个关系型数据库与 Hadoop 之间进行数据相互转换的工具
- Kafka：是一种高吞吐量的分布式发布/订阅消息系统
大数据处理平台及核心技术
Hadoop 与云计算
什么是云计算
云计算是一种可以通过网络方便地接入共享资源池、按需获取计算资源（如网络、服务器、存储、应用、服务等）的服务模型。
之所以称之为”云“,是因为云计算在某些地方和现实中的云非常符合，云的规模可以动态伸缩，边界模糊，飘忽不定，无法确定具体位置，但它确实存在于某处。
云计算的特点
- 按需提供服务（如租用云服务器，用户可以按需申请配置，如CPU 核数、内存大小等）
- 宽带网络访问（用户可以利用各种终端设备随时随地通过互联网访问云计算服务）
- 资源池化（资源以共享资源池的方式统一管理，利用虚拟化技术将资源分享给不同用户）
- 高可伸缩性（服务的规模可快速伸缩，如云盘扩容）
- 可量化的服务（可以通过监控软件监控用户的使用情况，根据资源的使用情况对服务计费，如云盘的流量）
- 大规模（如 google 云计算中心具有 100 多万台服务器）
云计算的类型
云计算按照服务类型大致分为3类
-
基础设施即服务（IaaS）：提供用户硬件设备（云服务器）
-
平台即服务（PaaS）：提供用户应用程序的应用环境（不需要维护服务器，只需上传应用程序即可）
-
软件即服务（SaaS）：提供用户应用程序（云盘、云笔记）
国内云计算技术走在前列的有华为公司、阿里巴巴集团、百度等，主要以互联网企业巨头和系统集成提供商为主
