小白自学Hadoop入门 | 技术

Posted 2021-04-13 TC研修实验室

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了小白自学Hadoop入门 | 技术相关的知识，希望对你有一定的参考价值。

话说，今天心情有点低落，心想着，不如搞点儿烧脑的吧，提升一下专注力，有助于纾解精神压力。

由于我司属于大数据行业，刚巧同事昨天在研发内部分享会上谈到大数据核心技术发展历史，既然“在其位，谋其政”，干脆学点儿技术干货，不求技术细节面面俱到，但求跟研发同事聊天不至于显得过于外行；同时，也可以尝试写作一些技术科普类小文，争取由浅入深。

废话少说，今天就来聊聊Hadoop。

小白自学Hadoop入门 | 技术

Hadoop，是一个由Apache基金会所开发的分布式系统基础架构。

分布式系统基础架构——听起来倒是有点高大上的赶脚，就是不太友好，完全没办法被正常人类秒懂。没事儿，咱主要还是看它到底解决了什么问题。

应用场景

从前，在数据量还没有很大的时候，我们只需要一台PC电脑，就可以轻松搞定数据的存储和计算；后来，随着数据量的增长，一台PC电脑已经无法满足数据存储和计算的需求，于是我们搭建起专门用于数据存储的服务器，并通过客户端/服务器模式，在本地电脑上，有选择地从远程服务器获取数据；现在，数据量正在以超乎想象的速度增长——也就是所谓的“大数据”——在这种情况下，我们又该如何实现数据的存储和计算，并保障用户高效访问呢？

小白自学Hadoop入门 | 技术

Hadoop就是针对这个问题的解决方案。

框架结构

在Hadoop的框架中，最核心的设计是：HDFS和MapReduce。其中，

HDFS：为海量的数据提供了存储；
MapReduce：为海量的数据提供了计算。

你看是不是，归根结底还是在解决数据存储和计算的问题。关于HDFS和MapReduce，在此就不再展开介绍了，以后可以另起章节专门聊。

除了HDFS和MapReduce，Hadoop还包含很多功能组件，用来解决类似于资源管理、性能调优这样的问题，铺开来看也是挺大的一片……

小白自学Hadoop入门 | 技术

然而这并不是全部。

Hadoop家族

根据Cloudera的统计，截止到2013年，Hadoop家族产品已经达到20个。

Apache Hadoop：是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。
Apache Hive：是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
Apache Pig：是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。
Apache HBase：是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。
Apache Sqoop：是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库(mysql ,Oracle ,Postgres等)中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
Apache Zookeeper：是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务
Apache Mahout：是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。
Apache Cassandra：是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身
Apache Avro：是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制
Apache Ambari：是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。
Apache Chukwa：是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合 Hadoop 处理的文件保存在 HDFS 中供 Hadoop 进行各种 MapReduce 操作。
Apache Hama：是一个基于HDFS的BSP(Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。
Apache Flume：是一个分布的、可靠的、高可用的海量日志聚合的系统，可用于日志数据收集，日志数据处理，日志数据传输。
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。
Apache Oozie：是一个工作流引擎服务器, 用于管理和协调运行在Hadoop平台上(HDFS、Pig和MapReduce)的任务。
Apache Crunch：是基于Google的FlumeJava库编写的Java库，用于创建MapReduce程序。与Hive，Pig类似，Crunch提供了用于实现如连接数据、执行聚合和排序记录等常见任务的模式库
Apache Whirr：是一套运行于云服务的类库(包括Hadoop)，可提供高度的互补性。Whirr学支持Amazon EC2和Rackspace的服务。
Apache Bigtop：是一个对Hadoop及其周边生态进行打包，分发和测试的工具。
Apache HCatalog：是基于Hadoop的数据表和存储管理，实现中央的元数据和模式管理，跨越Hadoop和RDBMS，利用Pig和Hive提供关系视图。
Cloudera Hue：是一个基于WEB的监控和管理系统，实现对HDFS、apReduce/YARN、HBase、Hive、Pig的Web化操作和管理。