Hadoop（一）：大数据与 Hadoop

﹏ヽ暗。殇╰゛Y 2021-09-10 10:12 484阅读 0赞

## 大数据背景 ##

*  大数据特征：海量数据规模、多样数据类型、快速数据流转（实时性）-> 数据价值
 *  大数据流程：数据采集->数据存储->数据处理／分析／挖掘->可视化

#### 大数据的技术架构挑战 ####

*  对现有的数据库管理技术的挑战
 *  经典数据库技术并没有考虑数据的多类别
 *  实时性的技术挑战
 *  网络架构与数据中心、运维的挑战

#### 大数据系统瓶颈(谷歌对此发表论文提出解决方案) ####

*  存储容量 : GFS（谷歌文件系统）
 *  读写速度：BigTable（在普通PC上进行处理时，普通PC机容易出故障，因此要尽量减少容错）
 *  计算效率：MapReduce （减小生产成本、部署在普通PC机进行处理）

## Hadoop ##

*  **Hadoop是什么**：分布式存储+分布式、可拓展计算平台
 *  **Hadoop能做什么**：搭建大型数据仓库、PB级数据存储、处理、分析
 *  **Hadoop优势**：高可靠性、低成本、搞拓展、成熟的生态圈、囊括了大数据处理的方方面面
 *  **狭义的Hadoop**：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）的平台
 *  **广义的Hadoop**：指的是hadoop的整个生态系统，Hadoop生态系统是一个很庞大的概念，hadoop是其中一个重要的基础部分，生态系统中的每一个子系统只解决某一个特定的问题域
 *  **Hadoop包括哪些模块**
    
     *  hadoop common
     *  hadoop distributed file system（hdfs）负责数据存储
     *  hadoop yarn 负责作业调度与集群资源管理
     *  hadoop MapReduce 基于yarn系统之上可以并行处理大数据计算

### 核心组成 ###

#### HDFS分布式文件系统 ####

*  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以及多副本的存储在多个机器上，默认128M
 *  数据切分、多分布、容错等操作对用户是透明的

![9434708-abf601faccd481e2..png][]

[ax8Kh.md.png][]

#### 资源管理系统 Yarn ####

*  特点：扩展性、容错性、多框架资源统一调度（让多种作业可以跑在 Yarn 上、减少运维成本、由 Yarn 完成整个集群资源管理的调度）
 *  负责整个集群资源的管理和调度（一个大作业要占用多少cpu、内存）

![9434708-fdfc9d078931e9c4..png][]

[axiWN.md.png][]

#### MapReduce ####

*  特点：扩展性、容错性、海量数据的离线处理

![9434708-3b03751aac56f116..png][]

[axxru.md.png][]

### Hadoop生态系统 ###

*  **HDFS**：Hadoop 文件系统
 *  **Yarn**：资源调度平台、可以让其它框架跑在 Hadoop 上
 *  **MapReduce**：分布式计算
 *  **Hive**：定义了一种类似于 SQL 语言，通过 Hive 的 SQL 语句借助 Hive 执行引擎可以对 HDFS 上的数据进行计算
 *  **R Conectors**：做一些统计学计算
 *  **Mahout**：封装了一些机器学习的库
 *  **Pig**：通过编写脚本把脚本转化为 MapReduce
 *  **Oozie**：工作流调度引擎，让任务A、B、C可以按顺序执行，把所有具有依赖关系的作业配置好，让其可以按顺序执行
 *  **Zookeeper**：管理其它框架
 *  **Flume**：日志收集框架、收集 nginx、tomcat 等这些日志文件
 *  **Sqoop**：运用于关系型数据库与 Hadoop 之间的数据传输
 *  **Hbase**：链式存储，针对于结构化数据的、可伸缩可拓展的数据库，大型数据库，可以达到秒级别上亿查询

![9434708-657f22d230d99d1f..png][]

[axSoH.md.png][]

### Hadoop发行版选择 ###

*  **Apache Hadoop** （里面的框架只是解决了单个Hadoop框架的，整个集群配置比较麻烦，容易产生jar包冲突，适合学习）
 *  **CDH：Cloudera Distributed Hadoop** （安装简单，升级简单，资源管理设置直接通过页面就可以完成，跟Spark合作开发较好，但非开源的）
 *  **HDP：Hortonworks Data Platform**（安装和升级添加节点相对CDH比较费劲、但比原生的好）

[9434708-abf601faccd481e2..png]: /images/20210811/094590497b4c46c7ba6b6da01602afb9.png
[ax8Kh.md.png]: https://link.jianshu.com?t=https%3A%2F%2Fsimimg.com%2Fi%2Fax8Kh
[9434708-fdfc9d078931e9c4..png]: /images/20210811/3d5649b9cc0e4022bd784621c44c27d1.png
[axiWN.md.png]: https://link.jianshu.com?t=https%3A%2F%2Fsimimg.com%2Fi%2FaxiWN
[9434708-3b03751aac56f116..png]: /images/20210811/221a9efbbff04dd1858496d8a987bf7e.png
[axxru.md.png]: https://link.jianshu.com?t=https%3A%2F%2Fsimimg.com%2Fi%2Faxxru
[9434708-657f22d230d99d1f..png]: /images/20210811/8fad84dd5988445a817fc1c3b2734405.png
[axSoH.md.png]: https://link.jianshu.com?t=https%3A%2F%2Fsimimg.com%2Fi%2FaxSoH