Hadoop生态系统学习路线

主要介绍Hadoop家族产品，经常使用的项目包含Hadoop, Hive, Pig, HBase, Sqoop, Mahout, Zookeeper, Avro, Ambari, Chukwa。新添加的项目包含，YARN, Hcatalog, Oozie, Cassandra, Hama, Whirr, Flume, Bigtop, Crunch, Hue等。

从2011年開始。中国进入大数据风起云涌的时代。以Hadoop为代表的家族软件。占领了大数据处理的广阔地盘。开源界及厂商。全部数据软件。无一不向Hadoop靠拢。

Hadoop也从小众的高富帅领域，变成了大数据开发的标准。

在Hadoop原有技术基础之上，出现了Hadoop家族产品。通过“大数据”概念不断创新。推出科技进步。

作为IT界的开发者，我们也要跟上节奏。抓住机遇，跟着Hadoop一起雄起。

前言

使用Hadoop已经有一段时间了。从開始的迷茫，到各种的尝试。到如今组合应用….慢慢地涉及到数据处理的事情。已经离不开hadoop了。

Hadoop在大数据领域的成功。更引发了它本身的加速发展。如今Hadoop家族产品，已经达到20个了之多。

有必要对自己的知识做一个整理了。把产品和技术都串起来。不仅能加深印象。更能够对以后的技术方向。技术选型做好基础准备。

本文为“Hadoop家族”开篇，Hadoop家族学习路线图

文件夹

Hadoop家族产品
Hadoop家族学习路线图

1. Hadoop家族产品

截止到2013年，依据cloudera的统计，Hadoop家族产品已经达到20个！

http://blog.cloudera.com/blog/2013/01/apache-hadoop-in-2013-the-state-of-the-platform/

接下来，我把这20个产品。分成了2类。

第一类，是我已经掌握的
第二类，是TODO准备继续学习的

一句话产品介绍:

Apache Hadoop: 是Apache开源组织的一个分布式计算开源框架。提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。
Apache Hive: 是基于Hadoop的一个数据仓库工具。能够将结构化的数据文件映射为一张数据库表，通过类SQL语句高速实现简单的MapReduce统计。不必开发专门的MapReduce应用。十分适合数据仓库的统计分析。
Apache Pig: 是一个基于Hadoop的大规模数据分析工具。它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。
Apache HBase: 是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在便宜PC Server上搭建起大规模结构化存储集群。
Apache Sqoop: 是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，能够将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中。也能够将HDFS的数据导进到关系型数据库中。
Apache Zookeeper: 是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中常常遇到的一些数据管理问题。简化分布式应用协调及其管理的难度，提供高性能的分布式服务
Apache Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法。攻克了并行挖掘的问题。
Apache Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发。用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的全然分布式的架构于一身
Apache Avro: 是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。

Avro是新的数据序列化格式与传输工具，将逐步代替Hadoop原有的IPC机制
Apache Ambari: 是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。
Apache Chukwa: 是一个开源的用于监控大型分布式系统的数据收集系统。它能够将各种各样类型的数据收集成适合 Hadoop 处理的文件保存在 HDFS 中供 Hadoop 进行各种 MapReduce 操作。
Apache Hama: 是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包含图、矩阵和网络算法在内的大规模、大数据计算。
Apache Flume: 是一个分布的、可靠的、高可用的海量日志聚合的系统，可用于日志数据收集。日志数据处理，日志传输数据。
Apache Giraph: 是一个可伸缩的分布式迭代图处理系统，基于Hadoop平台，灵感来自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。
Apache Oozie: 是一个工作流引擎server, 用于管理和协调执行在Hadoop平台上（HDFS、Pig和MapReduce）的任务。
Apache Crunch: 是基于Google的FlumeJava库编写的Java库，用于创建MapReduce程序。

与Hive，Pig类似。Crunch提供了用于实现如连接数据、执行聚合和排序记录等常见任务的模式库
Apache Whirr: 是一套执行于云服务的类库（包含Hadoop），可提供高度的互补性。

Whirr学支持Amazon EC2和Rackspace的服务。
Apache Bigtop: 是一个对Hadoop及其周边生态进行打包，分发和測试的工具。
Apache HCatalog: 是基于Hadoop的数据表和存储管理。实现中央的元数据和模式管理，跨越Hadoop和RDBMS。利用Pig和Hive提供关系视图。
Cloudera Hue: 是一个基于WEB的监控和管理系统，实现对HDFS。MapReduce/YARN, HBase, Hive, Pig的web化操作和管理。

2. Hadoop家族学习路线图

以下我将分别介绍各个产品的安装和使用。以我经验总结我的学习路线。

Hadoop

Hive

Pig

Pig学习路线图

Zookeeper

HBase

Mahout

Sqoop

Sqoop学习路线图

Cassandra