大数据学习笔记之初识Hadoop

1、Hadoop概述

1.1 Hadoop名字的由来

• Hadoop项目作者的孩子给一个棕黄色的大象样子的填充玩具的命名
• Hadoop的官网：http://hadoop.apache.org 。

1.2 Hadoop介绍

Hadoop是Apache的一个顶级项目、是开源的、分布式存储+分布式计算平台；它由以下几个模块构成：
Hadoop Common: 这是支持hadoop其他模块的通用工具模块
Hadoop Distributed File System(HDFS）:分布式文件系统
Hadoop YARN: 统一资源管理和任务调度
Hadoop MapReduce:基于yarn系统的分布式计算框架

1.3 Hadoop能做什么

搭建大型数据仓库，PB级数据的存储、处理、分析、统计等业务，如：智能商业、日志分析、搜索引擎、数据挖掘等场景。

2、Hadoop核心组件

2.1 HDFS(分布式文件系统)

• 源自于Google的GFS论文，论文发表于2003年10月
• HDFS是GFS的克隆版
• HDFS特点:扩展性&容错性&海量数据存储
• 将文件切分成指定大小的数据块并以多副本的存储在多个机器上
• 数据切分、多副本、容错等操作对用户是透明的

2.2 YARN(资源调度系统)

• YARN: Yet Another Resource Negotiator
• 负责整个集群资源的管理和调度
• YARN特点：扩展性&容错性&多框架资源统一调度

2.3 MapReduce(分布式计算框架)

• 源自于Google的MapReduce论文。论文发表于2004年12月
• MapReduce是Google MapReduce的克隆版
• MapReduce特点： 扩展性&容错性&海量数据离线处理

3、Hadoop优势

(1)、高可靠性

• 数据存储：数据块多副本
• 数据计算： 重新调度作业计算

(2)、高扩展性

• 存储/计算资源不够时，可以横向的线性扩展机器
• 一个集群中可以包含数以千计的节点

(3)、其他

• 存储在廉价机器上，降低成本
• 成熟的生态圈

4、Hadoop生态系统

4.1 狭义Hadoop VS 广义Hadoop

• 狭义Hadoop：指的是一个适合大数据分布式存储(HDFS)、分布式计算(MapReduce)和资源调度(YARN)平台,即传统意义上的Hadoop。
• 广义Hadoop：指的是整个Hadoop生态系统，Hadoop生态系统是一个很庞大的概念，Hadoop是其中最重要最基础的一部分；生态系统中的每一个子系统只能解决某一特定的问题域(甚至可能很窄)，不搞统一型的一个全能系统，而是小而精的多个小系统。

• • Hive:数据仓库
  • R:数据分析
  • Mahout:机器学习库
  • pig：脚本语言，跟Hive类似
  • Oozie:工作流引擎，管理作业执行顺序
  • Zookeeper:用户无感知，主节点挂掉选择从节点作为主的
  • Flume:日志收集框架
  • Sqoop:数据交换框架，例如：关系型数据库与HDFS之间的数据交换
  • Hbase : 海量数据中的查询，相当于分布式文件系统中的数据库

4.2 Hadoop生态系统的特点

• 开源、社区活跃
• 囊括了大数据处理的方方面面
• 成熟的生态圈

5、 Hadoop常用发行版本和和选型

• Apcahe Hadoop:存在jar包冲突的问题，一般只用于学习；
• CDH(Cloudera Distributed Hadoop):商业版，不存在jar冲突问题，配置简单、文档详细，具有容易升级的优点，生产环境中大多选择该版本，缺点是代码不开源，下载地址；
• HDP(Hortonworks Data Platform):存在安装升级和删除节点困难的问题，一般也应用于商业场景。

• 1、Apache Hadoop
  官网地址：http://hadoop.apache.org/releases.html
  下载地址：https://archive.apache.org/dist/hadoop/common/

• 2、Cloudera Hadoop
  官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
  下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/

  • （1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
  • （2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support。
  • （3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。
  • （4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。
  • （5）Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

• 3、Hortonworks Hadoop
  官网地址：https://hortonworks.com/products/data-center/hdp/
  下载地址：https://hortonworks.com/downloads/#data-platform

  • （1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
  • （2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
  • （3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。
  • （4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
  • （5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。
  • （6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的Microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。