hadoop基本认识

1. hadoop是什么

hadoop是分布式系统基础架构，主要解决海量数据存储和海量数据的分析计算问题。

广义上来说，hadoop通常指一个更广泛的概念：hadoop生态圈，第4章会详细说明。

2. hadoop优势

高可靠性：hadoop底层维护多个数据副本，即使hadoop某个计算元素或存储出现故障，也不会导致数据丢失。

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（动态增加，动态删除）

高效性：在MapReduce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

3. hadoop的组成

hadoop1.0时代，MapReduce同时处理业务逻辑运算和资源的调度（计算时分配多少内存，在哪个服务器上运行等等），耦合性较大。

2.0时代增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算

3.0在组成上没有变化，主要包括HDFS、YARN、MapReduce

3.1 HDFS架构概述：任务存储

HDFS：Haddoop Distributed File System，简称HDFS，是一个分布式文件系统，主要用于解决数据的存储问题

HDPS由三个单元组成：

NameNode(nn)：存储文件的元数据。比如文件目录结构，文件名，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)：简单来讲就是存放真实的数据。官方语言：在本地文件系统存储文件块数据，以及块数据和校验和。DataNode的数据都有进行备份。

Secondary Node(2nn)：每隔一段时间，对NameNode的元数据进行备份，防止NameNode宕机后，不知道各个数据存储在哪里

3.2 YARN架构概述：资源调度

YARN：Yet Another Resource Negotiator，是hadoop的资源管理器

YARN由以下单元构成：

ResourceManger(RM):负责管理整个集群的资源(内存、cpu等)，如下图，由于每个NodeManger都是4G内存，2GPU，ResourceManger就负责管理12G内存，6GPU。

NodeManger(NM):负责管理单个节点服务器的资源，如下图所示。

Container:容器，位于单个服务器节点之上，相当于在服务器上虚拟出一个小型的虚拟机，里面封装了任务运行所需要的资源，如内存、cpu、磁盘、网络等。

ApplicationMaster(AM):负责管理单个任务的运行，位于Container里面，即任务运行在Container这个小型虚拟机里

YARN运行原理：当客户端进行作业提交后(Job Submission),ResourceManger就会进行资源的分配，安排其在某个NodeManger的某个Container中进行运行，一个任务可以运行在多个Container上，多个Container可以分布在不同的NodeManger单点服务器上。

注：客户端可以有多个；集群上可以运行多个ApplicationMaster；每个NodeManger上可以有多个Container。

3.3 MapReduce架构概述：任务计算

MapReduce：主要负责任务的计算，其计算过程分为两个阶段：

Map阶段：并行处理输入数据，如想要在服务器集群中查找hadoop的整套教学视频，首先会进行任务的派发，让每个服务器去寻找。

Reduce阶段：对Map结果进行汇总。有一台汇总服务器会将Map中各个节点的结果进行汇总，这样就找到了结果。

3.4 HDFS、YARN、MapReduce三者的关系

4. 大数据技术生态体系

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。

ZoopKeeper：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。

推荐项目框架图如下：

Hadoop 数据库

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。