Hadoop基本概论

一、大数据概论

1.大数据的概念

指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

大数据主要解决海量数据的采集、存储和分析计算问题。

顺序存储单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。

1Byte=8bit，1KB=1024Byte，1MB=1024KB......

2.大数据的特点

①Volume（大量）：典型个人计算机硬盘容量为TB量级，一些大型企业可以达到EB量级。

②Velocity（高速）：根据IDC的数字宇宙报告，预计2025年，全球数据使用量可以达到163ZB。

③Variety（多样）：数据可以分为结构化数据和非结构化数据。结构化数据主要以便于存储的数据库/文本为主；非结构化数据包含了网络日志、音频、视频、图片、地理位置信息等多类型数据，对于数据的处理能力具有更高要求。

④Value（低价值密度）：价值密度的高低与数据总量大小成反比。快速对有价值数据“提纯”成为目前大数据背景下待解决的难题。

3.大数据应用场景

抖音、电商广告推荐、零售策略、保险（海量数据挖掘及风险预测...）、金融（多维体现用户推荐）、人工智能5G物联网方面等。

二、Hadoop概述

1.Hadoop定义

Hadoop是一个由Apache基金会所开发的分布式系统基础架构，主要解决海量数据的存储和海量数据的分析计算问题。

广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

2.Hadoop发展历史

①Hadoop创始人Doug Cutting，为实现Google类似的全文搜索功能，在Lucene框架基础上进行优化升级，查询引擎和索引引擎。

②2001年底Lucene成为Apache基金会的一个子项目。

③对于海量数据的场景，Lucene框架面对与Google同样的困难：存储海量数据困难，检索海量速度慢。

④学习和模仿Google解决这些问题的办法：微型版Nutch。

⑤Google是Hadoop的思想源泉

⑥2003-2004年，Google公开GFs和MapReduce思想细节，Doug Cutting等人使用两年时间实现，使Nutch性能飙升。

⑦Hadoop作为Lucene子项目Nutch一部分正式引入Apache。

⑧2006年Map-Reduce和Nutch Distributed FileSystem纳入Hadoop项目，Hadoop正式诞生。

3.Hadoop发行版本

Apache（2006）、Cloudera（2008）、Hortonworks（2011）。

4.Hadoop优势

①高可靠性：Hadoop底层维护多个数据副本，即使Hadoop某个计算元素或存储出现故障，也不会导致数据丢失。

②高扩展性：在集群间分配任务数据，可方便的扩展数以千计的结点。可动态增加和删除服务器。

③高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。可以实现集群工作。

④高容错性：能够自动将失败的任务重新分配。就是在执行过程中，如果遇到任务无法执行，将会把这个失败的任务重新分配到其他服务器，这个被分配的服务器需要具有相关资源。

5.Hadoop1.x/2.x/3.x

①Hadoop1.x组成：

• MapReduce（计算+资源调度）
• HDFS（数据存储）
• Common（辅助工具）

②Hadoop2.x组成：

• MapReduce（计算）
• Yarn（资源调度）
• HDFS（数据存储）
• Common（辅助工具）

③Hadoop3.x组成：组成上和2.x相同，但是细节方面存在差异。

• MapReduce（计算）
• Yarn（资源调度）
• HDFS（数据存储）
• Common（辅助工具）

6.HDFS架构

Hadoop Distributed File System简称HDFS，是一个分布式文件系统。

①NameNode（nn）：存储文件的元数据，如文件名、文件目录、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的DataNode等。

②DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验和。

③Secondary NameNode（2nn）：每隔一段时间对NameNode元数据备份。

7.Yarn架构

Yet Anothor Resource Negotiator简称YARN，是一种资源协调者，是Hadoop的资源管理器。

①ResourceManage（rm）：整个集群资源（内存、CPU等）的总负责。

②NodeManager（nm）：单个节点服务器资源总和。

③ApplicationMaster（am）：单个任务运行的总和。

④Container：容器，相当于一台独立服务器，里面封装了任务运行所需要的资源，比如内存、CPU、磁盘、网络等。一个Container可以运行1-8g内存。

Tips：客户端可以有多个；集群上可以运行多个ApplicationMaster；每个NodeManager可以有多个Container执行。

过程：client提交作业给ResourceManager，ResourceManager进行节点服务器分配，在ResourceManager中创建Container，在Container里面运行任务。

8.MapReduce架构

MapReduce将计算过程分为两个阶段：Map和Reduce。

1. Map阶段并行处理输入数据
2. Reduce阶段对Map结果进行汇总。

9.大数据技术生态体系

1. 数据库（结构化数据）→Sqoop数据传递→HDFS文件传输→Yarn资源管理...
2. 文件日志（半结构化数据）→Flume日志收集→HDFS文件传输→HBase非关系型数据库→Yarn资源管理...
3. 视频、PPT等（非结构数据）→Kafka消息队列...