Hadoop生态系统,hadoop介绍

Hadoop生态系统知识介绍
首先我们先了解一下Hadoop的起源。

然后介绍一些关于Hadoop生态系统中的具体工具的使用方法。

如:HDFS、MapReduce、Yarn、Zookeeper、Hive、HBase、Oozie、Mahout、Pig、Flume、Sqoop。

Hadoop的起源
Doug Cutting是Hadoop之父，起初他开创了一个开源软件Lucene（用Java语言编写，提供了全文检索引擎的架构，与Google类似），Lucene后来面临与Google同样的错误。

于是，Doug Cutting学习并模仿Google解决这些问题的办法，产生了一个Lucene的微缩版Nutch。

后来，Doug Cutting等人根据2003-2004年Google公开的部分GFS和Mapreduce 思想的细节，利用业余时间实现了GFS和Mapreduce的机制，从而提高了Nutch的性能。

由此Hadoop产生了。

Hadoop于2005年秋天作为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Hadoop的项目中。

关于Hadoop名字的来源，是Doug Cutting儿子的玩具大象。

Hadoop是什么
Hadoop是一个开源框架，可编写和运行分布式应用处理大规模数据。

Hadoop框架的核心是HDFS和MapReduce。

其中HDFS 是分布式文件系统，MapReduce 是分布式数据处理模型和执行环境。

在一个宽泛而不断变化的分布式计算领域，Hadoop凭借什么优势能脱颖而出呢？
1. 运行方便：Hadoop是运行在由一般商用机器构成的大型集群上。

Hadoop在云计算
服务层次中属于PaaS(Platform-as-a- Service)：平台即服务。

2. 健壮性：Hadoop致力于在一般的商用硬件上运行，能够从容的处理类似硬件失效这类
的故障。

3. 可扩展性：Hadoop通过增加集群节点，可以线性地扩展以处理更大的数据集。

4. 简单：Hadoop允许用户快速编写高效的并行代码。

Hadoop的生态系统
∙2) Nutch，互联网数据及Nutch搜索引擎应用
∙3) HDFS,Hadoop的分布式文件系统
∙5) MapReduce,分布式计算框架
∙6) Flume、Scribe，Chukwa数据收集，收集非结构化数据的工具。

∙7）Hiho、Sqoop,讲关系数据库中的数据导入HDFS的工具
∙8）Hive数据仓库，pig分析数据的工具
∙10）Oozie作业流调度引擎
∙11）Hue，Hadoop自己的监控管理工具
∙12）Avro 数据序列化工具
∙13）mahout数据挖掘工具
∙14)Hbase分布式的面向列的开源数据库
Hadoop生态系统的特点
∙源代码开源
∙社区活跃、参与者众多
∙涉及分布式存储和计算的方方面面
∙已得到企业界验证
Hadoop生态系统的各组成部分详解
上面的图可能有些乱，下面我们用一个简易的Hadoop生态系统图谱来描述Hadoop生态系统中出现的各种数据工具。

Hadoop1.0时代的生态系统如下：
Hadoop2.0时代的生态系统如下：
Hadoop的核心
由上图可以看出Hadoop1.0与Hadoop2.0的区别。

Hadoop1.0的核心由HDFS （Hadoop Distributed File System）和MapReduce(分布式计算框架)构成。

而在Hadoop2.0中增加了Yarn(Yet Another Resource Negotiator),来负责集群资源的统一管理和调度。

HDFS(分布式文件系统)
HDFS源自于Google发表于2003年10月的GFS论文，也即是说HDFS是GFS的克隆版。

此处只是HDFS的概述，如果想了解HDFS详情,请查看HDFS详解这篇文章。

HDFS具有如下特点：
1.良好的扩展性
2.高容错性
3.适合PB级以上海量数据的存储
HDFS的基本原理
∙将文件切分成等大的数据块，存储到多台机器上
∙将数据切分、容错、负载均衡等功能透明化
∙可将HDFS看成容量巨大、具有高容错性的磁盘
HDFS的应用场景
∙海量数据的可靠性存储
∙数据归档
Yarn(资源管理系统)
Yarn是Hadoop2.0新增的系统，负责集群的资源管理和调度，使得多种计算框架可以运行在一个集群中。

此处只是Yarn的概述，如果想了解Yarn详情,请查看Yarn详解这篇文章。

Yarn具有如下特点：
1.良好的扩展性、高可用性
2.对多种数据类型的应用程序进行统一管理和资源调度
3.自带了多种用户调度器，适合共享集群环境
MapReduce(分布式计算框架)
MapReduce源自于Google发表于2004年12月的MapReduce论文，也就是说，Hadoop MapReduce是Google MapReduce的克隆版。

此处只是MapReduce的概述，如果想了解MapReduce详情,请查看MapReduce详解这篇文章。

MapReduce具有如下特点：
1.良好的扩展性
2.高容错性
3.适合PB级以上海量数据的离线处理
Hive(基于MR的数据仓库)
Hive由facebook开源，最初用于解决海量结构化的日志数据统计问题；是一种
ETL(Extraction-Transformation-Loading)工具。

它也是构建在Hadoop之上的数据仓库；数据计算使用MR,数据存储使用HDFS。

Hive定义了一种类似SQL查询语言的HiveQL查询语言，除了不支持更新、索引和实物，几乎SQL的其他特征都能支持。

它通常用于离线数据处理（采用MapReduce);我们可以认为Hive的HiveQL语言是MapReduce语言的翻译器，把MapReduce程序简化为HiveQL语言。

但有些复杂的MapReduce程序是无法用HiveQL来描述的。

Hive提供shell、JDBC/ODBC、Thrift、Web等接口。

此处只是Hive的概述，如果想了解Hive详情,请查看Hive详解这篇文章。

Hive应用场景
1.日志分析：统计一个网站一个时间段内的pv、uv ；比如百度。

淘宝等互联网公司
使用hive进行日志分析
2.多维度数据分析
3.海量结构化数据离线分析
4.低成本进行数据分析（不直接编写MR）
Pig(数据仓库)
Pig由yahoo!开源，设计动机是提供一种基于MapReduce的ad-hoc数据分析工具。

它通常用于进行离线分析。

Pig是构建在Hadoop之上的数据仓库，定义了一种类似于SQL的数据流语言–Pig Latin,Pig Latin可以完成排序、过滤、求和、关联等操作，可以支持自定义函数。

Pig自动把Pig Latin映射为MapReduce作业，上传到集群运行，减少用户编写Java程序的苦恼。

Pig有三种运行方式：Grunt shell、脚本方式、嵌入式。

此处只是Pig的概述，如果想了解Pig详情,请查看Pig详解这篇文章。

Pig与Hive的比较
Mahout(数据挖掘库)
Mahout是基于Hadoop的机器学习和数据挖掘的分布式计算框架。

它实现了三大算法：推荐、聚类、分类。

HBase(分布式数据库)
HBase源自Google发表于2006年11月的Bigtable论文。

也就是说，HBase是Google Bigtable的克隆版。

HBase可以使用shell、web、api等多种方式访问。

它是NoSQL的典型代表产品。

此处只是HBase的概述，如果想了解HBase详情,请查看HBase详解这篇文章。

HBase的特点
1.高可靠性
2.高性能
3.面向列
4.良好的扩展性
HBase的数据模型
下面简要介绍一下：
∙Table（表）：类似于传统数据库中的表
∙Column Family(列簇)：Table在水平方向有一个或者多个Column Family组成；一个Column Family 中可以由任意多个Column组成。

∙Row Key(行健)：Table的主键；Table中的记录按照Row Key排序。

∙Timestamp（时间戳）：每一行数据均对应一个时间戳；也可以当做版本号。

Zookeeper(分布式协作服务)
Zookeeper源自Google发表于2006年11月的Chubby论文，也就是说Zookeeper 是Chubby的克隆版。

Zookeeper解决分布式环境下数据管理问题：
1.统一命名
2.状态同步
3.集群管理
4.配置同步
Zookeeper的应用
∙HDFS
∙Yarn
∙Storm
∙HBase
∙Flume
∙Dubbo
∙Metaq
Sqoop（数据同步工具）
Sqoop是连接Hadoop与传统数据库之间的桥梁，它支持多种数据库，包括MySQL、DB2等；插拔式，用户可以根据需要支持新的数据库。

Sqoop实质上是一个MapReduce程序，充分利用MR并行的特点,充分利用MR的容错性。

此处只是Sqoop的概述，如果想了解Sqoop详情,请查看Sqoop详解这篇文章。

Flume(日志收集工具)
Flume是Cloudera开源的日志收集系统。

Flume的特点
1.分布式
2.高可靠性
3.高容错性
4.易于定制与扩展
Flume OG与Flume NG的对比
∙Flume OG：Flume original generation 即Flume 0.9.x版本，它由agent、collector、master等组件构成。

∙Flume NG：Flume next generation ，即Flume 1.x版本，它由Agent、Client等组件构成。

一个Agent包含Source、Channel、Sink和其他组件。

Oozie(作业流调度系统)
目前计算框架和作业类型种类繁多：如MapReduce、Stream、HQL、Pig等。

这些作业之间存在依赖关系，周期性作业，定时执行的作业，作业执行状态监控与报警等。

如何对这些框架和作业进行统一管理和调度？
解决方案有多种：
1.Linux Crontab
2.自己设计调度系统（淘宝等公司）
3.直接使用开源系统（Oozie）
Hadoop发行版（开源版）介绍
∙Apache Hadoop
推荐使用2.x.x版本
下载地址：/releases.html
∙CDH(Cloudera Distributed Hadoop)
推荐使用CDH5版本
下载地址：/cdh5/cdh/5/
详细安装步骤查看文章：搭建5个节点的hadoop集群环境（CDH5）∙HDP(HortonWorks Data Platform)
推荐使用HDP2.x版本
下载地址：/downloads/#data-platform
最后建议：关于不同发行版在架构、部署和使用方法一致，不同之处仅在于内部实现。

建议选择公司发行版，比如CDH或者HDP,因为它们经过集成测试，不会面临版本兼容性问题。

了解最新课程及报名优惠信息，请访问光环大数据官方网站： PC官网：/
手机官网：/mobile/
学大数据，就选光环大数据！16年老品牌，上市机构有保障！。