Hadoop入门介绍

分手后的思念是犯贱 2022-07-14 02:29 187阅读 0赞

http://blog.csdn.net/fly542/article/details/6803862

[Hadoop][]这个名字不是一个缩写，它是一个虚构的名字。该项目的创建者，Doug Cutting如此解释Hadoop的得名："这个名字是我孩子给一个棕黄色的大象样子的填充玩具命名的。我的命名标准就是简短，容易发音和拼写，没有太多的意义，并且不会被用于别处。小孩子是这方面的高手。Google就是由小孩命名的。

Hadoop 是一个能够对大量数据进行分布式处理的软件框架。但是 Hadoop 是以一种可靠、高效、可伸缩的方式进行处理的。Hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。Hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。Hadoop 还是可伸缩的，能够处理 PB 级数据。此外，Hadoop 依赖于社区服务器，因此它的成本比较低，任何人都可以使用。

Hadoop带有用 [Java][] 语言编写的框架，因此运行在 [Linux][] 生产平台上是非常理想的。Hadoop 上的应用程序也可以使用其他语言编写，比如 C++。

Hadoop 有许多元素构成。其最底部是 Hadoop Distributed File System（HDFS），它存储 Hadoop 集群中所有存储节点上的文件。HDFS（对于本文）的上一层是 MapReduce 引擎，该引擎由 JobTrackers 和 TaskTrackers 组成。

Hadoop由以下几个项目构成

> 总体结构图如下
> 
> ![0_131676465532F4.gif][]
> 
> 1、Hadoop Common ：Hadoop体系最底层的一个模块，为Hadoop各子项目提供各种工具，如：配置文件和日志操作等。
> 
> 2、HDFS：分布式文件系统，提供高吞吐量的应用程序数据访问，对外部客户机而言，HDFS 就像一个传统的分级文件系统。可以创建、删除、移动或重命名文件，等等。但是 HDFS 的[架构][Link 1]是基于一组特定的节点构建的（参见图 1），这是由它自身的特点决定的。这些节点包括 NameNode（仅一个），它在 HDFS 内部提供元数据服务；DataNode，它为 HDFS 提供存储块。由于仅存在一个 NameNode，因此这是 HDFS 的一个缺点（单点失败）。
> 
> 　　存储在 HDFS 中的文件被分成块，然后将这些块复制到多个计算机中（DataNode）。这与传统的 RAID 架构大不相同。块的大小（通常为 64MB）和复制的块数量在创建文件时由客户机决定。NameNode 可以控制所有文件操作。HDFS 内部的所有通信都基于标准的 TCP/IP 协议。![0_1316759931eC8c.gif][]
> 
> 3、MapReduce ：一个分布式海量数据处理的软件框架集计算集群。 
> 
> ![0_1316764621z40P.gif][]
> 
> 4、Avro ：doug cutting主持的RPC项目，主要负责数据的序列化。有点类似Google的protobuf和Facebook的thrift。avro用来做以后hadoop的RPC，使hadoop的RPC模块通信速度更快、[数据结构][Link 2]更紧凑。
> 
> 5、[Hive][] ：类似CloudBase，也是基于hadoop分布式计算平台上的提供data warehouse的sql功能的一套软件。使得存储在hadoop里面的海量数据的汇总，即席查询简单化。hive提供了一套QL的查询语言，以sql为基础，使用起来很方便。
> 
> 6、[Hbase][] ：基于Hadoop Distributed File System，是一个开源的，基于列存储模型的可扩展的分布式[数据库][Link 3]，支持大型表的存储结构化数据。
> 
> 7、Pig ：是一个并行计算的高级的数据流语言和执行框架 ，SQL-like语言，是在MapReduce上构建的一种高级查询语言，把一些运算编译进MapReduce模型的Map和Reduce中，并且用户可以定义自己的功能。
> 
> 8、ZooKeeper ：Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。
> 
> 9、Chukwa ：一个管理大型分布式系统的数据采集系统 由yahoo贡献。
> 
> 10、Cassandra ：无单点故障的可扩展的多主数据库
> 
> 11、Mahout ：一个可扩展的[机器学习][Link 4]和数据挖掘库
> 
> .....持续更新完善中。

[Hadoop]: http://lib.csdn.net/base/hadoop
[Java]: http://lib.csdn.net/base/javaee
[Linux]: http://lib.csdn.net/base/linux
[0_131676465532F4.gif]: /images/20220714/7312ad22a4ec47b993da77351b54cfcf.png
[Link 1]: http://lib.csdn.net/base/architecture
[0_1316759931eC8c.gif]: /images/20220714/0dcbdc5af18d4a38a6d1cb4e685934f5.png
[0_1316764621z40P.gif]: /images/20220714/9ffb039bbed84858931d601630fc91af.png
[Link 2]: http://lib.csdn.net/base/datastructure
[Hive]: http://lib.csdn.net/base/hive
[Hbase]: http://lib.csdn.net/base/hbase
[Link 3]: http://lib.csdn.net/base/mysql
[Link 4]: http://lib.csdn.net/base/machinelearning