Hadoop基础:从Hadoop框架讨论大数据生态

Posted 秋华

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Hadoop基础:从Hadoop框架讨论大数据生态相关的知识,希望对你有一定的参考价值。

1 Hadoop是什么

 2 Hadoop三大发行版本

 

Hadoop三大发行版本:ApacheClouderaHortonworks

 

Apache版本最原始(最基础)的版本,对于入门学习最好。

 

Cloudera在大型互联网企业中用的较多。

 

Hortonworks文档较好。

 

  1. Apache Hadoop

 

官网地址:http://hadoop.apache.org/releases.html

 

下载地址:https://archive.apache.org/dist/hadoop/common/

 

  1. Cloudera Hadoop

 

官网地址:https://www.cloudera.com/downloads/cdh/5-10-0.html

 

下载地址:http://archive-primary.cloudera.com/cdh5/cdh/5/

 

12008年成立的Cloudera是最早将Hadoop商用的公司,为合作伙伴提供Hadoop的商用解决方案,主要是包括支持、咨询服务、培训。

 

22009Hadoop的创始人Doug Cutting也加盟Cloudera公司Cloudera产品主要为CDHCloudera ManagerCloudera Support

 

3CDHClouderaHadoop发行版,完全开源,比Apache Hadoop在兼容性,安全性,稳定性上有所增强。

 

4Cloudera Manager是集群的软件分发及管理监控平台,可以在几个小时内部署好一个Hadoop集群,并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。

 

5Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

 

3. Hortonworks Hadoop

 

官网地址:https://hortonworks.com/products/data-center/hdp/

 

下载地址:https://hortonworks.com/downloads/#data-platform

 

12011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。

 

2)公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师,上述工程师均在2005年开始协助雅虎开发Hadoop,贡献了Hadoop80%的代码。

 

3)雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。

 

4Hortonworks的主打产品是Hortonworks Data PlatformHDP),也同样是100%开源的产品,HDP除常见的项目外还包括了Ambari,一款开源的安装和管理系统。

 

5HCatalog,一个元数据管理系统,HCatalog现已集成到Facebook开源的Hive中。HortonworksStinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的,易于使用的沙盒。

 

6Hortonworks开发了很多增强特性并提交至核心主干,这使得Apache Hadoop能够在包括Window ServerWindows Azure在内的Microsoft Windows平台上本地运行。定价以集群为基础,每10个节点每年为12500美元。

Hadoop的优势4高)

 

 

 4 Hadoop组成(面试重点)

Hadoop1.xHadoop2.x的区别

 

 

 

4.1 HDFS架构概述

HDFSHadoop Distributed File System)的架构概述,如图2-23所示。

2-23 HDFS架构概述

4.2 YARN架构概述

 

YARN架构概述,如图2-24所示。

4.3  MapReduce架构概述

 

MapReduce将计算过程分为两个阶段:MapReduce,如图2-25所示

1Map阶段并行处理输入数据

2Reduce阶段对Map结果进行汇总

5 大数据技术生态体系

图中涉及的技术名词解释如下:

1SqoopSqoop是一款开源的工具,主要用于在Hadoop、Hive与传统的数据库(mysql)间进行数据的传递,可以将一个关系型数据库(例如 :MySQL,Oracle 等)中的数据导进到HadoopHDFS中,也可以将HDFS的数据导进到关系型数据库中。

2FlumeFlumeCloudera提供的一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的系统,Flume支持在日志系统中定制各类数据发送方,用于收集数据;同时,Flume提供对数据进行简单处理,并写到各种数据接受方(可定制)的能力。

3KafkaKafka是一种高吞吐量的分布式发布订阅消息系统,有如下特性:

1)通过O(1)的磁盘数据结构提供消息的持久化,这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。

2)高吞吐量:即使是非常普通的硬件Kafka也可以支持每秒数百万的消息

3)支持通过Kafka服务器和消费机集群来分区消息。

4)支持Hadoop并行数据加载。

4StormStorm用于连续计算,对数据流做连续查询,在计算时就将结果以流的形式输出给用户。

5SparkSpark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。

6OozieOozie是一个管理Hdoop作业(job)的工作流程调度管理系统。

7HbaseHBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库,它是一个适合于非结构化数据存储的数据库。

8HiveHive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,并提供简单的SQL查询功能,可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低,可以通过类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。

10R语言:R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件,它是一个用于统计计算和统计制图的优秀工具。

11Mahout:Apache Mahout是个可扩展的机器学习和数据挖掘库。

12ZooKeeperZookeeperGoogleChubby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。

 

推荐系统框架图

 

以上是关于Hadoop基础:从Hadoop框架讨论大数据生态的主要内容,如果未能解决你的问题,请参考以下文章

大数据技术之_03_Hadoop学习_01_入门_大数据概论+从Hadoop框架讨论大数据生态+Hadoop运行环境搭建(开发重点)

如何开始探索 BigData、Hadoop 及其生态系统组件?

hadoop生态系统

Hadoop——Hadoop优势组成大数据技术生态体系系统框架图

Hadoop生态系统简介及大数据相关技术

想转行大数据,如何开始学习 Hadoop?