Hadoop（二）Hadoop概述

概述

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
• 分布式系统：多台服务器共同完成一个任务（例如多台计算机共同存储一份大数据）
• 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

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

Hadoop的组成

Hadoop1.x 2.x 3.x

• Hadoop3.x在组成上没有变化

HDFS架构概述

• Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统

（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 [ps.数据都存储在什么位置]
（2）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 [ps.具体存储数据]
（3）Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份 [ps.协助NameNode]

YARN架构概述

• Yet Another Resource Negotiator简称YARN ，另一种资源协调者，是Hadoop的资源管理器

（1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
（2）NodeManager（NM）：单个节点服务器资源老大
（3）ApplicationMaster（AM）：单个任务运行的老大
（4）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。

• 客户端可以有多个，作业提交
• 集群上可以运行多个ApplicationMaster
• 每个NodeManager上可以有多个Container（默认1-8G）

MapReduce架构概述

• 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

大数据技术生态体系

• 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
• 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
• Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统
• 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
• 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
• Oozie：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统
• 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
• 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
• 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