hadoop入门

1.1 hadoop是什么

Hadoop是一个由Apache基金会所开发的分布式系统基础架构，主要是解决海量数据的存储和海量数据的分析计算的问题。通常Hadoop指的是一个更为广泛的概念Hadoop生态圈

1.2 hadoop发展历程

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

2001年年底Lucene成为Apache基金会的一个子项目。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

学习和模仿Google解决这些问题的办法:微型版Nutch。可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文)

GFS—>HDFS

Map-Reduce—>MR

BigTable—>HBase

2003-2004,Google公开了部分GFS和MapReduce思想的细节，以此为基础

oug Cutting等人用2003-2004年，Google公开了部分了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。

2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。

2006年3月份Map-Reduce和Nutch DistributeFile System(NDFS)分别被纳入到 Hadoop 项目，Hadoop就此正式诞生，标志着大数据时代的来临

名字来源于Doug Cutting儿子的玩具

1.3 hadoop的三大版本

Apache版本最原始（最基础）的版本，对于入门学习最好。2006

Cloudera内部集成了很多大数据框架，对应产品CDH。2008

Hortonworks文档较好，对应产品HDP。2011

Hortonworks现在已经被Cloudera公司收购，推出新的品牌CDP。

1）Apache Hadoop

官网地址：Apache Hadoop

下载地址：Apache Hadoop

2）Cloudera Hadoop

官网地址：https://www.cloudera.com/downloads/cdh

下载地址：CDH 6 Download Information | 6.x | Cloudera Documentation

（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。Cloudera的标价为每年每个节点10000美元。

（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。

3）Hortonworks Hadoop

官网地址：Hybrid Cloud Computing Platform and Products | Cloudera

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）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。

（4）2018年Hortonworks目前已经被Cloudera公司收购。

1.4 hadoop1.x、2.x、3.x的区别

Hadoop1.x中的MapReduce：

计算：指的数据的运算

资源的调度：指的是在哪台服务器上进行运算，运算这个任务给多少内存

Hadoop2.x中的MapReduce:只负责计算，Yarn负责资源调度

1.5 HDFS架构

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

NameNode记录每一个文件块存储的位置

DataNode具体存储数据

2NN是辅助NameNode工作的

（1）NameNode：储存文件的元数据，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所在的DataNode等。

（2）DataNode：在本地文件系统存储文件块数据，以及块数据的校验和。

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

1.6 YARN架构概述

Yet Another Resource Negotiator简称YARN ，另一种资源协调者，是Hadoop的资源管理器。

1)ResourceManager(RM):整个集群资源（内存，cpu等）的老大

2)NodeManager(NM):单个结点服务器资源的老大

3)ApplicationMaster(AM):单个任务云心运行的老大

4)Container:容器，相当于一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。

说明1：客户端可以有多个

说明2：集群上可以运行多个Application

说明3：每个NodeManager上可以有多个Container

虚拟化、跨节点、分布式

1.7 MapReduce

MapReduce将计算分为两个阶段：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

1.8 大数据技术生态体系

文件日志(半结构化数据)—>结构化数据

数据

大数据推荐系统架构推荐