Hadoop概述

1、Hadoop优势（4高）

　　1）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

　　2）高扩展性：在集群间分配任务数据，可方便的扩张数以千计的节点。

　　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。

2、Hadoop组成

　　Hadoop1.x:MapReduce(计算+资源调度)，HDFS(数据存储)，Common(辅助工具)

　　Hadoop2.x:MapReduce(计算)，Yarn(资源调度)，HDFS(数据存储)，Common(辅助工具)

　　总结：在Hadoop1.x时代，Hadoop中的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。

　　Hadoop3.x,在组成方面没有多的增加，大多是系统优化的版本，其中支持JDK的版本提升，shell,Yarn等有较多的改善。　　

　　2.1HDFS概述

　　HDFS基本分为NameNode(nn)，DataNode(dn),Secondary NameNode(2nn)

　　NameNode: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。

　　DataNode:在本地文件系统存储块数据，以及块数据的校验和。

　　Second NameNode：每隔一段时间对NameNode元数据备份。 

　　

　　2.2YARN概述

　　YRAN工作区域含有ResourceManager，NodeManager，其他(ApplicationMaster和Container)

　　ResourceManager：（1）处理客户端请求， （2）监控NodeManager，（3）启动或监控ApplicationMaster，（4）资源的分配与调度

　　NodeManager：（1）管理单个节点上的资源，（2）处理来自ResourceManager的命令，（3）处理来自ApplicationMaster的命令

　　ApplicationMaster：（1）负责数据的切分，（2）为应用程序申请资源并分配给内部的任务，（3）任务的监控与容错

　　Container：是YARN中的资源抽象，它封装了某个点上的多维度资源，如内存、CPU、磁盘、网络等。

工作原理:

　　2.3MapReduce架构概述

　　MapReduce将计算过程分为俩个阶段: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

3.大数据

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；

3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；

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）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。

7）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。

8）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。

9）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）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。