Hadoop入门

一. Hadoop是什么

1). Hadoop是一个由apache基金会所开发的分布式系统基础架构
2). 主要解决,海量数据的存储和海量数据的分析计算问题
3). 广义上来说,Hadoop通常的指一个更广泛的概念---Hadoop生态圈

二. Hadoop的优势

1). 高可靠性 : Hadoop底层维护多个数据副本,所以即使Hadoop某个计算元素或存储出现故障,也不会导致数据的丢失
2). 高扩展性 : 在集群间分配任务数据,可方便的扩展数以千计的节点
3). 高效性 : 在mapreduce的思想下,Hadoop是并行工作的,以加快任务处理的速度
4). 高容错性 : 能够自动将失败的任务重新分配

三. Hadoop组成

1. MapReduce框架概述

1). Map阶段并行处理输入数据
2). Reduce阶段对Map结果进行汇总

2. YARN架构概述

3. HDFS架构概述

三.大数据技术生态体系

名词解释
1). Sqoop : Sqoop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中的数据导进到Hadoop中的HDFS中,也可以将HDFS的数据导入到关系型数据库中
2). Flume : Flume是Cloudera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的处理,并赐额到各种数据接收方(可定制)的能力
3). Kafka : Kafka是一种高吞吐量的分布式发布订阅消息系统,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服务器和消费机群来分区消息
(4) 支持Hadoop并行数据加载
4). Storm : Storm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
5). Spark : Spark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
6). Oozie : Oozie是一个管理Hadoop作业(job)的工作流程调度管理系统
7). Hbase : Hbase是一个分布式的,面向列的开源数据库.Hbase不同于一般的关系库,他是一个非常适合于非结构化数据存储的数据库
8). Hive : 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,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
9). R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
10). Mabout : ApacheMablut是个可扩展的机器学习和数据挖掘库
11). ZooKeeper : ZooKeeper是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搞笑,功能稳定的系统提供给用户