Hadoop学习之路（二）Hadoop发展背景

Hadoop产生的背景

1. HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

2. 2003年开始谷歌陆续发表的三篇论文为该问题提供了可行的解决方案。

——分布式文件系统（GFS），可用于处理海量网页的存储

——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

——BigTable 数据库：OLTP 联机事务处理 Online Transaction Processing 增删改
　　　　　　　　　　OLAP 联机分析处理 Online Analysis Processing 查询
　　　　　　　　　　真正的作用：提供了一种可以在超大数据集中进行实时CRUD操作的功能

3.Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

Hadoop是啥

Hadoop的官网：http://hadoop.apache.org/

1、Hadoop是Apache旗下的一套开源软件平台

2、Hadoop提供的功能：利用服务器集群，根据户自定义业逻辑对海量数进行分布式处理

3、Hadoop的核心组件：

　　1）Hadoop Common：支持其他Hadoop模块的常用工具。

　　2) Hadoop分布式文件系统（HDFS™）：一种分布式文件系统，可提供对应用程序数据的高吞吐量访问。

　　3) Hadoop YARN：作业调度和集群资源管理的框架。

　　4) Hadoop MapReduce：一种用于并行处理大型数据集的基于YARN的系统。

　　大数据的处理主要就是存储和计算。

如果说安装hadoop集群，其实就是安装了两个东西：一个操作系统YARN 和一个文件系统HDFS。其实MapReduce就是运行在YARN之上的应用。

操作系统　　文件系统　　应用程序
win7 　　　　NTFS　　　 QQ，WeChat
YARN 　　　 HDFS 　　 MapReduce

4、hadoop的概念：

　　狭义上：就是apache的一个顶级项目：apahce hadoop

　　广义上: 就是指以hadoop为核心的整个大数据处理体系

5、Apache的其他Hadoop相关项目包括：

Ambari™：一种用于供应，管理和监控Apache Hadoop集群的基于Web的工具，其中包括对Hadoop HDFS，Hadoop MapReduce，Hive，HCatalog，HBase，ZooKeeper，Oozie，Pig和Sqoop的支持。Ambari还提供了一个用于查看群集运行状况的仪表板，例如热图和可以直观地查看MapReduce，Pig和Hive应用程序的功能，以及以用户友好的方式诊断其性能特征的功能。
Avro™：数据序列化系统。
Cassandra™：无单点故障的可扩展多主数据库。
Chukwa™：管理大型分布式系统的数据收集系统。
HBase™：可扩展的分布式数据库，支持大型表格的结构化数据存储。
Hive™：提供数据汇总和即席查询的数据仓库基础架构。
Mahout™：可扩展的机器学习和数据挖掘库。
Pig™：用于并行计算的高级数据流语言和执行框架。
Spark™：用于Hadoop数据的快速和通用计算引擎。Spark提供了一个简单而富有表现力的编程模型，它支持广泛的应用程序，包括ETL，机器学习，流处理和图计算。
Tez™：一种基于Hadoop YARN的通用数据流编程框架，它提供了一个强大且灵活的引擎，可执行任意DAG任务来处理批处理和交互式用例的数据。Hado™，Pig™和Hadoop生态系统中的其他框架以及其他商业软件（例如ETL工具）正在采用Tez来替代Hadoop™MapReduce作为底层执行引擎。
ZooKeeper™：分布式应用程序的高性能协调服务。

HADOOP在大数据、云计算中的位置和关系

1、云计算是分布式计算、并行计算、网格计算、多核计算、网络存储、虚拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业务模式，把强大的计算能力提供给终端用户。1、

2、现阶段，云计算的两大底层支撑技术为“虚拟化”和“大数据技术”

3、而HADOOP则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更不等同于云计算本身。

Hadoop的技术应用

HADOOP应用于数据服务基础平台建设

HADOOP用于用户画像

该图是中国电信的用户画像标签体系。

HADOOP用于网站点击流日志数据挖掘

总结：hadoop并不会跟某个具体的行业或者某个具体的业务挂钩，它只是一种用来做海量数据分析处理的工具。

HADOOP生态圈以及各组成部分的简介

重点组件：

HDFS：Hadoop的分布式文件存储系统。

MapReduce：Hadoop的分布式程序运算框架，也可以叫做一种编程模型。

Hive：基于Hadoop的类SQL数据仓库工具

Hbase：基于Hadoop的列式分布式NoSQL数据库

ZooKeeper：分布式协调服务组件

Mahout：基于MapReduce/Flink/Spark等分布式运算框架的机器学习算法库

Oozie/Azkaban：工作流调度引擎

Sqoop：数据迁入迁出工具

Flume：日志采集工具

获取数据的三种方式

1、自己公司收集的数据--日志或者数据库中的数据

2、有一些数据可以通过爬虫从网络中进行爬取

3、从第三方机构购买

国内HADOOP的就业情况分析

1、HADOOP就业整体情况

A. 大数据产业已纳入国家十三五规划

B. 各大城市都在进行智慧城市项目建设，而智慧城市的根基就是大数据综合平台

C. 互联网时代数据的种类，增长都呈现爆发式增长，各行业对数据的价值日益重视

D. 相对于传统JAVAEE技术领域来说，大数据领域的人才相对稀缺

E. 随着现代社会的发展，数据处理和数据挖掘的重要性只会增不会减，因此，大数据技术是一个尚在蓬勃发展且具有长远前景的领域

2、 HADOOP就业职位要求

大数据是个复合专业，包括应用开发、软件平台、算法、数据挖掘等，因此，大数据技术领域的就业选择是多样的，但就HADOOP而言，通常都需要具备以下技能或知识：

硬实力

A. HADOOP分布式集群的平台搭建

B. HADOOP分布式文件系统HDFS的原理理解及使用

C. HADOOP分布式运算框架MAPREDUCE的原理理解及编程

D. Hive数据仓库工具的熟练应用

E. Flume、sqoop、oozie等辅助工具的熟练使用

F. Shell/python等脚本语言的开发能力

软实力

A. 解决问题的能力（调试，阅读文档）

B. 沟通协调能力（寻求帮助）

C. 学习提升自己的能力（自我提高）

D. 组织管控能力（管理能力）