Hadoop

入门

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

Hadoop 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

Hadoop1.x、2.x、3.x 区别

HDFS 概述

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

• 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 概述

MapReduce 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

HDFS、YARN、MapReduce 三者关系

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