大数据处理框架 Hadoop

Hadoop简介

Hadoop是Apache软件基金会旗下的一个开源分布式计算平台，为用户提供了系统底层细节透明的分布式基础架构
Hadoop是基于Java语言开发的，具有很好的跨平台特性，并且可以部署在廉价的计算机集群中
Hadoop的核心是分布式文件系统HDFS（Hadoop Distributed File System）和MapReduce
Hadoop被公认为行业大数据标准开源软件，在分布式环境下提供了海量数据的处理能力
几乎所有主流厂商都围绕Hadoop提供开发工具、开源软件、商业化工具和技术服务，如谷歌、雅虎、微软、思科、淘宝等，都支持Hadoop

Hadoop发展简史

Hadoop最初是由Apache Lucene项目的创始人Doug Cutting开发的文本搜索库。Hadoop源自始于2002年的Apache Nutch项目——一个开源的网络搜索引擎并且也是Lucene项目的一部分
2004年，Nutch项目也模仿GFS开发了自己的分布式文件系统NDFS（Nutch Distributed File System），也就是HDFS的前身
2004年，谷歌公司又发表了另一篇具有深远影响的论文，阐述了MapReduce分布式编程思想
2005年，Nutch开源实现了谷歌的MapReduce
2006年2月，Nutch中的NDFS和MapReduce开始独立出来，成为Lucene项目的一个子项目，称为Hadoop，同时，Doug Cutting加盟雅虎
2008年1月，Hadoop正式成为Apache顶级项目，Hadoop也逐渐开始被雅虎之外的其他公司使用
2008年4月，Hadoop打破世界纪录，成为最快排序1TB数据的系统，它采用一个由910个节点构成的集群进行运算，排序时间只用了209秒
2009年5月，Hadoop更是把1TB数据排序时间缩短到62秒。Hadoop从此名声大震，迅速发展成为大数据时代最具影响力的开源分布式开发平台，并成为事实上的大数据处理标准

Hadoop的特性

Hadoop是一个能够对大量数据进行分布式处理的软件框架，并且是以一种可靠、高效、可伸缩的方式进行处理的，它具有以下几个方面的特性：

• 高可靠性

• 高效性

• 高可扩展性

• 高容错性

• 成本低

• 运行在Linux平台上

• 支持多种编程语言

Hadoop的应用现状

Hadoop凭借其突出的优势，已经在各个领域得到了广泛的应用，而互联网领域是其应用的主阵地
2007年，雅虎在Sunnyvale总部建立了M45——一个包含了4000个处理器和1.5PB容量的Hadoop集群系统
Facebook作为全球知名的社交网站，Hadoop是非常理想的选择，Facebook主要将Hadoop平台用于日志处理、推荐系统和数据仓库等方面
国内采用Hadoop的公司主要有百度、淘宝、网易、华为、中国移动等，其中，淘宝的Hadoop集群比较大

• Hadoop在企业中的应用架构

  

Apache Hadoop版本演变

Apache Hadoop版本分为两代，我们将第一代Hadoop称为Hadoop 1.0，第二代Hadoop称为Hadoop 2.0
第一代Hadoop包含三个大版本，分别是0.20.x，0.21.x和0.22.x，其中，0.20.x最后演化成1.0.x，变成了稳定版，而0.21.x和0.22.x则增加了NameNode HA等新的重大特性
第二代Hadoop包含两个版本，分别是0.23.x和2.x，它们完全不同于Hadoop 1.0，是一套全新的架构，均包含HDFS Federation和YARN两个系统，相比于0.23.x，2.x增加了NameNode HA和Wire-compatibility两个重大特性

Hadoop项目结构

Hadoop的项目结构不断丰富发展，已经形成一个丰富的Hadoop生态系统

我们再来看一下上图中每个部分分别是什么：

• HDFS 分布式文件系统

  HDFS 用于整个分布式文件的存储，它实现了怎么用成百上千台服务器完成数据的存储。

• MapReduce 分布式并行编程模型

  完成具体的计算工作，进行离线计算和批处理。

• YARN 资源管理和调度器

  存储的数据我们需要进行计算处理，那么YARN就是用来对计算资源进行调度,如内存，CPU，带宽。

• Tez 运行在YARN之上的下一代Hadoop查询处理框架

  把MapReduce作业进行分析优化，构建成一个有向无环图，保证MapReduce获得最好的处理效率。

• Hive Hadoop上的数据仓库

  支持SQL语句，可以在Hadoop平台上对数据进行分析。Hive会把SQL语句转化为MapReduce作业。

• HBase Hadoop上的非关系型的分布式数据库

  HDFS只能实现顺序读写，但是HBASE能实现随机读写，支持几十亿行几百列的超大型数据库。

• Pig 一个基于Hadoop的大规模数据分析平台，提供类似SQL的查询语言PigLatin

  轻量级的脚本编程语言， 能用简单的语句实现复杂的MapReduce代码实现的功能。

• Sqoop 用于在Hadoop与传统数据库之间进行数据传递

  用于关系型数据库和Hadoop的HDFS的相互导入导出。

• Oozie Hadoop上的工作流管理系统

• Zookeeper 提供分布式协调一致性服务

• Storm 流计算框架

• Flume 一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统

  收集实时数据流。

• Ambari Hadoop快速部署工具，支持Apache Hadoop集群的供应、管理和监控

• Kafka 一种高吞吐量的分布式发布订阅消息系统，可以处理消费者规模的网站中的所有动作流数据

• Spark 类似于Hadoop MapReduce的通用并行框架

  和MapReduce一样用Reduce函数做数据处理，但Spark是基于内存的，所以Spark效率会比MapReduce高很多。

原创作品，转载请注明来源 https://hebicheng.github.io

---

• Previous
  大数据概述
• Next
  利用socat实现远程终端控制

---