Hadoop的介绍、搭建、环境

HADOOP背景介绍

1.1Hadoop产生背景

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、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。（谷歌为现代技术做了十分大的贡献！！）

——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。

1. 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。

1.2 什么是HADOOP

1. HADOOP是apache旗下的一套开源软件平台（apache软件几乎都开源）
2. HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理
3. HADOOP的核心组件有
   1. HDFS（分布式文件系统）
   2. YARN（运算资源调度系统）
   3. MAPREDUCE（分布式  运算编程框架）

1.3 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。

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。

1.4Hadoop生态系统

HDFS：分布式文件系统（hdfs、MAPREDUCE、yarn)元老级大数据处理技术框架，擅长离线数据分析

MAPREDUCE：分布式运算程序开发框架

HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具,使用方便，功能丰富。但基于MR会有很大的延迟。

HBASE：基于HADOOP的分布式海量数据库,离线分析和在线业务通吃， 是 Google Bigtable 的另一套开源实现。

ZOOKEEPER：分布式协调服务基础组件，提供的功能包括：配置维护、名字服务、 分布式同步、心跳、组服务等

Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库提供可扩展的计算机学习领域的算法实现，旨在帮助开发人员更加快捷地开发智能 应用程序。

Oozie：工作流调度框架

Sqoop：数据导入导出工具

Flume：日志数据采集框架

Avro: 基于JSON的数据序列化的系统。

Cassandra: 一套分布式，非关系型存储系统，类似Google - BigTable。

Chukwa: 用于监控大型分布式系统的数据采集系统。

Pig：提供一个并行执行的数据流框架。

Spark：类似MapReduce的通用并行框架，继承了其的分布式优势，只是中间输出结果存储 于内存中，提供了相对实时性的处理能力

Tez：新的一套分布式执行框架，主要以开发人员为最终用户构建性能更快、扩展性更强的应 用程序。

1.5Hadoop大数据项目流程图

1) 数据采集：定制开发采集程序，或使用开源框架FLUME

2) 数据预处理：定制开发mapreduce程序运行于hadoop集群

3) 数据仓库技术：基于hadoop之上的Hive

4) 数据导出：基于hadoop的sqoop数据导入导出工具

5) 数据可视化：定制开发web程序或使用kettle等产品

6) 整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品