hadoop简介

0.什么是大数据?

　　大数据是一个概念，也是一门技术，是在以hadoop为代表的大数据平台框架上进行各种数据分析的技术。

　　大数据包括了以hadoop和spark为代表的基础大数据框架。

　　还包括实时数据处理，离线数据处理；数据分析，数据挖掘和用机器算法进行预测分析等技术。

1.什么是hadoop?

　　简单的说就是开源框架.hadoop不是数据库，但是hadoop有数据库，有nosql数据库。apache的开源项目，主要用于做分布式、可靠性的、稳定的计算框架。

　解决的问题:

• 　　海量数据的存储(HDFS)
• 　　海量数据的分析(MapReduce)---处理文本数据
• 　　资源管理调度(YARN)

 

 

2.hadoop能做什么?

　　hadoop擅长日志分析，facebook就用Hive来进行日志分析，2009年时facebook就有非编程人员的30%的人使用HiveQL进行数据分析；淘宝搜索中的自定义筛选也使用的Hive；利用Pig还可以做高级的数据处理，包括Twitter、LinkedIn 上用于发现您可能认识的人，可以实现类似Amazon.com的协同过滤的推荐效果。淘宝的商品推荐也是！在Yahoo！的40%的Hadoop作业是用pig运行的，包括垃圾邮件的识别和过滤，还有用户特征建模。（2012年8月25新更新，天猫的推荐系统是hive，少量尝试mahout！）

 

 

3.Hadoop核心

• HDFS: Hadoop Distributed File System 分布式文件系统

 

 

 

 

 

主从结构
　　主节点， namenode
　　从节点，有很多个: datanode
namenode负责：
　　接收用户操作请求
　　维护文件系统的目录结构
　　管理文件与block之间关系，block与datanode之间关系
datanode负责：
　　存储文件
　　文件被分成block存储在磁盘上
　　为保证数据安全，文件会有多个副本

 

• YARN: Yet Another Resource Negotiator   资源管理调度系统
• Mapreduce：分布式运算框架

 

 

4.Hadoop特点:

扩容能力（Scalable）：能可靠地（reliably）存储和处理千兆字节（PB）数据。
成本低（Economical）：可以通过普通机器组成的服务器群来分发以及处理数据。这些服务器群总计可达数千个节点。
高效率（Efficient）：通过分发数据，hadoop可以在数据所在的节点上并行地（parallel）处理它们，这使得处理非常的快速。
可靠性（Reliable）：hadoop能自动地维护数据的多份副本，并且在任务失败后能自动地重新部署（redeploy）计算任务。

 

 5.hadoop1.0和2.0比较