05.Hadoop概述
1 Hadoop是什么？
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——HADOOP生态圈。
2 Hadoop的三大发行版本
| 发行版本名 | 特点 |
|---|---|
Apache |
Apache版本是最原始（最基础）的版本，对于入门学习最好。 |
Cloudera |
Cloudera在大型互联网企业中用的较多。 |
Hortonworks |
Hortonworks文档较好。 |
3 Hadoop的优势
- 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，可方便的扩展数以千计的节点。
- 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。
4 Hadoop的组成
4.1 Hadoop1.x和Hadoop2.x的对比
Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统。
Hadoop MapReduce：一个分布式的资源调度和离线并行计算框架。
Hadoop Common：支持其他模块的工具模块（Configuration、RPC、序列化机制、日志操作）。
在Hadoop1.x时代，Hadoop中MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大，在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算。
4.2 HDFS(Hadoop Distributed File System)架构概述
1.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、副本数、文件权限)，以及每个文件的块列表和块所在的DataNode等。
2.DataNode(dn)：在本地文件系统存储文件块数据，以及数据的校验和。
3.Secondary NameNode(2nn)：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。
4.3 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。
4.4 MapReduce架构
MapReduce将计算过程分为两个阶段：Map和Reduce
1.Map阶段并行处理输入数据
2.Reduce阶段对Map结果进行汇总
5 Hadoop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。
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。
6 推荐系统架构图
