Hadoop概述
Hadoop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框架
-
其主要解决，海量数据的存储和海量数据的的分析计算问题
-
广义上，Hadoop通常是指一个更加广泛的概念——Hadoop生态圈
Hadoop的发展历史
-
Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优化升级，查询引擎和索引引擎。
-
2001年年底Lucene成为Apache基金会的一个子项目。
-
对于海量数据的场景，Lucene框 架面 对与Google同样的困难，存储海量数据困难，检索海量速度慢。
-
学习和模仿Google解决这些问题的办法 ：微型版Nutch。
-
可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）
GFS --->HDFS
Map-Reduce --->MR
BigTable --->HBase
-
2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用 了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
-
2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
-
2006 年 3 月份，Map-Reduce和Nutch Distributed File System （NDFS）分别被纳入到 Hadoop 项目 中，Hadoop就此正式诞生，标志着大数据时代来临。 9）名字来源于Doug Cutting儿子的玩具大象
Hadoop三大发行版本（了解）
-
三大发行版本：Apache、Cloudera、Hortonworks
-
Apache 版本最原始（最基础）的版本，对于入门学习最好。2006
-
Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008
-
Hortonworks 文档较好，对应产品 HDP。2011
-
Hortonworks 现在已经被 Cloudera 公司收购，推出新的品牌 CDP。
-
Apache Hadoop Hadoop
-
Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads/cdh
下载地址：https://docs.cloudera.com/documentation/enterprise/6/releasenotes/topics/rg_cdh_6_download.html
-
2008 年成立的 Cloudera 是最早将 Hadoop 商用的公司，为合作伙伴提供 Hadoop 的商用解决方案，主要是包括支持、咨询服务、培训。
-
2009 年 Hadoop 的创始人 Doug Cutting 也加盟 Cloudera 公司。Cloudera 产品主 要为 CDH，Cloudera Manager，Cloudera Support
-
CDH 是 Cloudera 的 Hadoop 发行版，完全开源，比 Apache Hadoop 在兼容性，安 全性，稳定性上有所增强。Cloudera 的标价为每年每个节点 10000 美元。
-
Cloudera Manager 是集群的软件分发及管理监控平台，可以在几个小时内部署好 一个 Hadoop 集群，并对集群的节点及服务进行实时监控。
-
-
Hortonworks Hadoop
官网地址：https://hortonworks.com/products/data-center/hdp/ 下载地址：https://hortonworks.com/downloads/#data-platform
-
2011 年成立的 Hortonworks 是雅虎与硅谷风投公司 Benchmark Capital 合资组建。
-
公司成立之初就吸纳了大约 25 名至 30 名专门研究 Hadoop 的雅虎工程师，上述 工程师均在 2005 年开始协助雅虎开发 Hadoop，贡献了 Hadoop80%的代码。
-
Hortonworks 的主打产品是 Hortonworks Data Platform（HDP），也同样是 100% 开源的产品，HDP 除常见的项目外还包括了 Ambari，一款开源的安装和管理系统。
-
2018 年 Hortonworks 目前已经被 Cloudera 公司收购
-
-
Hadoop优势（4高）
-
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，以加快任务处理的速度
-
高容错性：能够自动将失败的任务重新分配
Hadoop组成（面试重点）
-
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。
-
在Hadoop3.x时代在组成上没有变化。
-
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。
-
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。
-
Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。
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。
HDFS、YARN、MapReduce 三者关系
大数据技术生态体系
图中涉及的技术名词解释如下：
-
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。