元数据与数据治理｜Hadoop技术栈（第二篇）

红太狼 2022-03-29 11:24 283阅读 0赞

## 1.Hadoop ##

Hadoop是一个能够对大量数据进行分布式处理的软件框架。具有可靠、高效、可伸缩的特点，其核心是YARN,HDFS和Mapreduce。

![Image 1][]

## 2.[HDFS][]（Hadoop分布式文件系统） ##

源自于Google的GFS论文，发表于2003年10月，HDFS是GFS克隆版。  
HDFS是Hadoop体系中数据存储管理的基础。它是一个高度容错的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。  
HDFS简化了文件的一致性模型，通过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序。  
它提供了一次写入多次读取的机制，数据以块的形式，同时分布在集群不同物理机器上

![Image 1][]

## 3.[Mapreduce][HDFS]（分布式计算框架） ##

源自于google的MapReduce论文，发表于2004年12月，Hadoop MapReduce是google MapReduce 克隆版。  
MapReduce是一种分布式计算模型，用以进行大数据量的计算。它屏蔽了分布式计算框架细节，将计算抽象成map和reduce两部分，  
其中Map对数据集上的独立元素进行指定的操作，生成键-值对形式中间结果。Reduce则对中间结果中相同“键”的所有“值”进行规约，以得到最终结果。  
MapReduce非常适合在大量计算机组成的分布式并行环境里进行数据处理。

## 4. [HBASE][]（分布式列存数据库） ##

源自Google的Bigtable论文，发表于2006年11月，HBase是Google Bigtable克隆版  
HBase是一个建立在HDFS之上，面向列的针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。  
HBase采用了BigTable的数据模型：增强的稀疏排序映射表（Key/Value），其中，键由行关键字、列关键字和时间戳构成。  
HBase提供了对大规模数据的随机、实时读写访问，同时，HBase中保存的数据可以使用MapReduce来处理，它将数据存储和并行计算完美地结合在一起。

## 5.[HIVE][]（数据仓库） ##

由facebook开源，最初用于解决海量结构化的日志数据统计问题。  
Hive定义了一种类似SQL的查询语言(HQL),将SQL转化为MapReduce任务在Hadoop上执行。通常用于离线分析。  
HQL用于运行存储在Hadoop上的查询语句，Hive让不熟悉MapReduce开发人员也能编写数据查询语句，然后这些语句被翻译为Hadoop上面的MapReduce任务。

## 6.[Sqoop][](数据ETL/同步工具） ##

Sqoop是SQL-to-Hadoop的缩写，主要用于传统数据库和Hadoop之前传输数据。数据的导入和导出本质上是**Mapreduce**程序，充分利用了MR的并行化和容错性。  
Sqoop利用数据库技术描述数据架构，用于在关系数据库、数据仓库和Hadoop之间转移数据。

## 7.[Pig][](ad-hoc脚本） ##

由yahoo!开源，设计动机是提供一种基于MapReduce的ad-hoc(计算在query时发生)数据分析工具  
Pig定义了一种数据流语言—Pig Latin，它是MapReduce编程的复杂性的抽象,Pig平台包括运行环境和用于分析Hadoop数据集的脚本语言(Pig Latin)。  
其编译器将Pig Latin翻译成MapReduce程序序列将脚本转换为MapReduce任务在Hadoop上执行。通常用于进行离线分析。

## 8. [Zookeeper][]（分布式协作服务） ##

源自Google的Chubby论文，发表于2006年11月，Zookeeper是Chubby克隆版  
解决分布式环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等。  
Hadoop的许多组件依赖于Zookeeper，它运行在计算机集群上面，用于管理Hadoop操作。

## 9.[Flume][]（日志收集工具） ##

Cloudera开源的日志收集系统，具有分布式、高可靠、高容错、易于定制和扩展的特点。  
它将数据从产生、传输、处理并最终写入目标的路径的过程抽象为数据流，在具体的数据流中，数据源支持在Flume中定制数据发送方，从而支持收集各种不同协议数据。  
同时，Flume数据流提供对日志数据进行简单处理的能力，如过滤、格式转换等。此外，Flume还具有能够将日志写往各种数据目标（可定制）的能力。  
总的来说，Flume是一个可扩展、适合复杂环境的海量日志收集系统。当然也可以用于收集其他类型数据

## 10.[Mahout][]（数据挖掘算法库） ##

Mahout起源于2008年，最初是Apache Lucent的子项目，它在极短的时间内取得了长足的发展，现在是Apache的顶级项目。  
Mahout的主要目标是创建一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。  
Mahout现在已经包含了聚类、分类、推荐引擎（协同过滤）和频繁集挖掘等广泛使用的数据挖掘方法。  
除了算法，Mahout还包含数据的输入/输出工具、与其他存储系统（如数据库、MongoDB 或Cassandra）集成等数据挖掘支持架构。

## 11. [Oozie][](工作流调度器） ##

Oozie是一个可扩展的工作体系，集成于Hadoop的堆栈，用于协调多个MapReduce作业的执行。它能够管理一个复杂的系统，基于外部事件来执行，外部事件包括数据的定时和数据的出现。  
Oozie工作流是放置在控制依赖DAG（有向无环图 Direct Acyclic Graph）中的一组动作（例如，Hadoop的Map/Reduce作业、Pig作业等），其中指定了动作执行的顺序。  
Oozie使用hPDL（一种XML流程定义语言）来描述这个图。

## 12. [Yarn][HDFS](分布式资源管理器） ##

YARN是下一代MapReduce，即MRv2，是在第一代MapReduce基础上演变而来的，主要是为了解决原始Hadoop扩展性较差，不支持多计算框架而提出的。  
Yarn是下一代 Hadoop 计算平台，yarn是一个通用的运行时框架，用户可以编写自己的计算框架，在该运行环境中运行。  
用于自己编写的框架作为客户端的一个lib，在运用提交作业时打包即可。该框架为提供了以下几个组件：

*  资源管理：包括应用程序管理和机器资源管理
 *  资源双层调度
 *  容错性：各个组件均有考虑容错性
 *  扩展性：可扩展到上万个节点

## 13. [Mesos][]（分布式资源管理器） ##

Mesos诞生于UC Berkeley的一个研究项目，现已成为Apache项目，当前有一些公司使用Mesos管理集群资源，比如Twitter。  
与yarn类似，Mesos是一个资源统一管理和调度的平台，同样支持比如MR、steaming等多种运算框架。

## 14. [Tachyon][]（分布式内存文件系统） ##

Tachyon（/'tæki:ˌɒn/ 意为超光速粒子）是以内存为中心的分布式文件系统，拥有高性能和容错能力，  
能够为集群框架（如Spark、MapReduce）提供可靠的内存级速度的文件共享服务。  
Tachyon诞生于UC Berkeley的AMPLab。

## 15. [Tez][](DAG计算模型) ##

Tez是Apache最新开源的支持DAG作业的计算框架，它直接源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，  
即Map被拆分成Input、Processor、Sort、Merge和Output， Reduce被拆分成Input、Shuffle、Sort、Merge、Processor和Output等，  
这样，这些分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。  
目前hive支持mr、tez计算模型，tez能完美二进制mr程序，提升运算性能。

## 16. [Spark][](内存DAG计算模型) ##

Spark是一个Apache项目，它被标榜为“快如闪电的集群计算”。它拥有一个繁荣的开源社区，并且是目前最活跃的Apache项目。  
最早Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架。  
Spark提供了一个更快、更通用的数据处理平台。和Hadoop相比，Spark可以让你的程序在内存中运行时速度提升100倍，或者在磁盘上运行时速度提升10倍

## 17. [Giraph][](图计算模型) ##

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。  
最早出自雅虎。雅虎在开发Giraph时采用了Google工程师2010年发表的论文《Pregel：大规模图表处理系统》中的原理。后来，雅虎将Giraph捐赠给Apache软件基金会。  
目前所有人都可以下载Giraph，它已经成为Apache软件基金会的开源项目，并得到Facebook的支持，获得多方面的改进。

## 18. [GraphX][](图计算模型） ##

Spark GraphX最先是伯克利AMPLAB的一个分布式图计算框架项目，目前整合在spark运行框架中，为其提供BSP大规模并行图计算能力。

## **19. [MLib][]（机器学习库）** ##

Spark MLlib是一个机器学习库，它提供了各种各样的算法，这些算法用来在集群上针对分类、回归、聚类、协同过滤等。

## **20. [Streaming][]（流计算模型）** ##

## Spark Streaming支持对流数据的实时处理，以微批的方式对实时数据进行计算 ##

## **21. [Kafka][]（分布式消息队列）** ##

Kafka是Linkedin于2010年12月份开源的消息系统，它主要用于处理活跃的流式数据。  
活跃的流式数据在web网站应用中非常常见，这些数据包括网站的pv、用户访问了什么内容，搜索了什么内容等。  
这些数据通常以日志的形式记录下来，然后每隔一段时间进行一次统计处理。

## **22. [Phoenix][]（hbase sql接口）** ##

Apache Phoenix 是HBase的SQL驱动，Phoenix 使得Hbase 支持通过JDBC的方式进行访问，并将你的SQL查询转换成Hbase的扫描和相应的动作。

## **23. [ranger][](安全管理工具）** ##

Apache ranger是一个hadoop集群权限框架，提供操作、监控、管理复杂的数据权限，它提供一个集中的管理机制，管理基于yarn的hadoop生态圈的所有数据权限。

## **24. [knox][]（hadoop安全网关）** ##

Apache knox是一个访问hadoop集群的restapi网关，它为所有rest访问提供了一个简单的访问接口点，能完成3A认证（Authentication，Authorization，Auditing）和SSO（单点登录）等

## **25. [falcon][]（数据生命周期管理工具）** ##

Apache Falcon 是一个面向Hadoop的、新的数据处理和管理平台，设计用于数据移动、数据管道协调、生命周期管理和数据发现。它使终端用户可以快速地将他们的数据及其相关的处理和管理任务“上载（onboard）”到Hadoop集群。

## **26.[Ambari][]（安装部署配置管理工具）** ##

Apache Ambari 的作用来说，就是创建、管理、监视 Hadoop 的集群，是为了让 Hadoop 以及相关的大数据软件更容易使用的一个web工具。

链接：https://www.jianshu.com/p/d81dc015ce86

[Image 1]: 
[HDFS]: https://link.jianshu.com?t=http://hadoop.apache.org/
[HBASE]: https://link.jianshu.com?t=http://hbase.apache.org/
[HIVE]: https://link.jianshu.com?t=http://hive.apache.org/
[Sqoop]: https://link.jianshu.com?t=http://sqoop.apache.org/
[Pig]: https://link.jianshu.com?t=http://pig.apache.org/
[Zookeeper]: https://link.jianshu.com?t=http://zookeeper.apache.org/
[Flume]: https://link.jianshu.com?t=http://flume.apache.org/
[Mahout]: https://link.jianshu.com?t=http://mahout.apache.org/
[Oozie]: https://link.jianshu.com?t=http://oozie.apache.org/
[Mesos]: https://link.jianshu.com?t=http://mesos.apache.org/
[Tachyon]: https://link.jianshu.com?t=http://tachyon-project.org/
[Tez]: https://link.jianshu.com?t=http://tez.apache.org/
[Spark]: https://link.jianshu.com?t=http://spark.apache.org/
[Giraph]: https://link.jianshu.com?t=http://giraph.apache.org/
[GraphX]: https://link.jianshu.com?t=http://spark.apache.org/graphx/
[MLib]: https://link.jianshu.com?t=http://spark.apache.org/mllib/
[Streaming]: https://link.jianshu.com?t=http://spark.apache.org/streaming/
[Kafka]: https://link.jianshu.com?t=http://kafka.apache.org/
[Phoenix]: https://link.jianshu.com?t=http://phoenix.apache.org/
[ranger]: https://link.jianshu.com?t=http://ranger.apache.org/
[knox]: https://link.jianshu.com?t=http://knox.apache.org/
[falcon]: https://link.jianshu.com?t=http://falcon.apache.org/
[Ambari]: https://link.jianshu.com?t=http://ambari.apache.org/