hadoop学习笔记（一）：hadoop生态系统及简介

一、hadoop1.x的生态系统

HBase：实时分布式数据库

　　相当于关系型数据库，数据放在文件中，文件就放在HDFS中。因此HBase是基于HDFS的关系型数据库。实时性：延迟非常低，实时性高。

　　举栗：在近18亿条数据的表中查询1万条数据仅需1.58s，这是普通数据库（Oracle集群，Mysql集群）无法办到的。

HDFS：分布式文件系统

MapReduce：分布式计算框架

Zookeeper：分布式协作服务

　　协作HBase存储、管理、查询数据，Zookeeper是一个很好的分布式协作服务框架。

Hive：数据仓库

　　数据仓库：

　　比如给你一块1000平方米的仓库，让你放水果。如果有春夏秋冬四季的水果，让你放在某一个分类中。但是水果又要分为香蕉、苹果等等。然后又要分为好的水果和坏的水果。。。。。

　　因此数据仓库的概念也是如此，他是一个大的仓库，然后里面有很多格局，每个格局里面又分小格局等等。对于整个系统来说，比如文件系统。文件如何去管理？Hive就是来解决这个问题。

　　Hive：

　　分类管理文件和数据，对这些数据可以通过很友好的接口，提供类似于SQL语言的HiveQL查询语言来帮助你进行分析。其实Hive底层是转换成MapReduce的，写的HiveQL进行执行的时候，Hive提供一个引擎将其转换成MapReduce再去执行。

　   Hive设计目的：方便DBA很快地转到大数据的挖掘和分析中。

Pig：数据流处理

　　基于MapReduce的，基于流处理的。写了动态语言之后，也是转换成MapReduce进行执行。和Hive类似。

Mahout：数据挖掘库

　　基于图形化的数据碗蕨。

Sqoop：数据库ETL工具

　　ELT：提取 --> 转换 --> 加载。

　　从数据库中获取数据，并进行一系列的数据清理和清洗筛选，将合格的数据转换成一定格式的数据进行存储，将格式化的数据存储到HDFS文件系统上，以供计算框架进行数据分析和挖掘。

　　格式化数据：

　　　　|- TSV 格式：每行数据的每列之间以制表符（tab  \t）进行分割

　　　　|- CVS 格式：每行数据的每列之间以逗号进行分割

　　Sqoop：将关系型数据库中的数据与HDFS（HDFS 文件，HBase中的表，Hive中的表）上的数据进行相互导入导出。

Flume：日志收集工具

　　将大的集群上面的每台机器的日志收集起来，自动地放到你指定的HDFS文件系统的某个路径中去。

Ambari：安装、部署、配置和管理工具

　　提供一个图形化工具对集群进行安装、部署、配置及管理，无需手动在命令行操作。

四、hadoop2.x的生态系统

YARN：集群资源管理系统

　　对整个集群每台机器的资源进行管理，对每个服务、每个job、每个应用进行调度（CPU等）。

HDFS2：分布式文件系统

　　增强了一些特性，最主要的就是NameNode的单节点故障和NameNode的横向扩展。　

Tez：DAG计算框架

Storm：流式计算框架

五、hadoop1.x组成

对于分布式系统和框架的架构来说，一般分为两部分：

　　第一部分：管理层，用于管理应用层的。

　　第二部分：应用层（工作）。

HDFS核心后台守护进程：

　　NameNode：元数据服务器

　　　　NameNode是主节点，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DataNode等。

　　　　属于管理层，用于管理数据的存储。

　　Secondary NameNode：辅助元数据服务器

　　　　用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。

　　　　属于管理层，辅助NameNode进行管理。

　　DataNode：块存储

　　　　在本地文件系统存储文件块数据，以及块数据的校验和。

　　　　属于应用层，用于进行数据的存储，被NameNode进行管理。要定时向NameNode进行工作汇报，执行NameNode分配分发的任务。

MapReduce，分布式进行计算框架：

　　JobTracker：任务调度员

　　　　负责接收用户提交的作业，负责启动、跟踪任务执行。

　　　　属于管理层，管理集群资源和对任务进行资源调度，监控任务的执行。

　　TaskTrackers：任务执行

　　　　负责执行由JobTracker分配的任务，管理各个任务在每个节点上的执行情况。

　　　　属于应用层，执行JobTracker分配分发的任务，并向JobTracker汇报工作情况。

六、HDFS架构图

七、MapReduce架构图