大数据作业二：Hadoop演进与Hadoop生态

1、了解对比Hadoop不同版本的特性，可以用图表的形式呈现。

答：Apache Hadoop：是一款支持数据密集型分布式应用并以Apache 2.0许可协议发布的开源软件框架。它支持在商品硬件构建的大型集群上运行的应用程序。Hadoop是根据Google公司发表的MapReduce和Google档案系统的论文自行实作而成。称为社区版Hadoop。

      第三方发行版Hadoop：Hadoop遵从Apache开源协议，用户可以免费地任意使用和修改Hadoop，也正因此，市面上出现了很多Hadoop版本。其中有很多厂家在Apache Hadoop的基础上开发自己的Hadoop产品，比如Cloudera的CDH，Hortonworks的HDP，MapR的MapR产品等。

       Apache社区版本

• 优点：

1. 完全开源免费。
2. 社区活跃
3. 文档、资料详实

• 缺点：

        1、复杂的版本管理。版本管理比较混乱的，各种版本层出不穷，让很多使用者不知所措。

        2、复杂的集群部署、安装、配置。通常按照集群需要编写大量的配置文件，分发到每一台节点上，容易出错，效率低下。

        3、复杂的集群运维。对集群的监控，运维，需要安装第三方的其他软件，如ganglia，nagois等，运维难度较大。

        4、复杂的生态环境。在Hadoop生态圈中，组件的选择、使用，比如Hive，Mahout，Sqoop，Flume，Spark，Oozie等等，需要大量考虑兼容性的问题，版本是否兼容，组件是否有冲突，编译是否能通过等。经常会浪费大量的时间去编译组件，解决版本冲突问题。

2、Hadoop生态的组成、每个组件的作用、组件之间的相互关系，以图例加文字描述呈现。

答：

HBase：

Google Bigtable的开源实现

列式数据库

可集群化

可以使用shell、web、api等多种方式访问

适合高读写(insert)的场景

HQL查询语言

NoSQL的典型代表产品 

Hive：

数据仓库工具。可以把Hadoop下的原始结构化数据变成Hive中的表

支持一种与SQL几乎完全相同的语言HiveQL。除了不支持更新、索引和事务，几乎SQL的其它特征都能支持

可以看成是从SQL到Map-Reduce的映射器

提供shell、JDBC/ODBC、Thrift、Web等接口

Zookeeper：

Google Chubby的开源实现

用于协调分布式系统上的各种服务。例如确认消息是否准确到达，防止单点失效，处理负载均衡等

应用场景：Hbase，实现Namenode自动切换

工作原理：领导者，跟随者以及选举过程

Sqoop：

用于在Hadoop和关系型数据库之间交换数据

通过JDBC接口连入关系型数据库

Chukwa：

架构在Hadoop之上的数据采集与分析框架

主要进行日志采集和分析

通过安装在收集节点的“代理”采集最原始的日志数据

代理将数据发给收集器

收集器定时将数据写入Hadoop集群

指定定时启动的Map-Reduce作业队数据进行加工处理和分析

Pig：

Hadoop客户端

使用类似于SQL的面向数据流的语言Pig Latin

Pig Latin可以完成排序，过滤，求和，聚组，关联等操作，可以支持自定义函数

Pig自动把Pig Latin映射为Map-Reduce作业上传到集群运行，减少用户编写Java程序的苦恼 

Avro：

数据序列化工具，由Hadoop的创始人Doug Cutting主持开发 

用于支持大批量数据交换的应用。支持二进制序列化方式，可以便捷，快速地处理大量数据 

动态语言友好，Avro提供的机制使动态语言可以方便地处理 Avro数据。

 Thrift接口

Cassandra：

NoSQL，分布式的Key-Value型数据库，由Facebook贡献

与Hbase类似，也是借鉴Google Bigtable的思想体系

只有顺序写，没有随机写的设计，满足高负荷情形的性能需求

Hadoop生态圈流程图：

3、官网学习Hadoop的安装与使用，用文档的方式列出步骤与注意事项。

答：1、创建Hadoop用户

创建用户的命令是useradd,设置密码的命令为passwd。

        2、JAVA安装

对于Ubuntu本身，系统上可能已经预装了JAVA，它的JDK版本为openjadk，路径为“/usr/lib/jvm/default-java”，需要配置的JAVA_HOME环境变量就可以设置这个值。

       3、SSH登录权限设置

让名称节点生成自己的SSH密匙，命令如下：

ssh-keygen -t rsa -P ''

生成之后，需要将它的公共密匙发送给集群中的其他机器。我们可以将id_dsa.pub中的内容添加到需要匿名登录的机器的“~/ssh/authorized_keys”目录下，然后，在理论上名称节点就可以无密码登录这台机器了。对于无密码登录本机而言，可以采用以下的代码：

cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

这时就可以通过ssh localhost命令来检测一下是否需要输入密码。

       4、安装单机Hadoop

解压玩hadoop文件夹后，在hadoop文件夹中，“etc/hadoop”目录下面放置了配置文件。我们只需要将JAVA_HOME环境变量指定到本机的JDK目录就可以了，命令如下：

 $export JAVA_HOME=/user/lib/jvm/default-java

      5、Hadoop伪分布式安装

我们需要修改core-site.xml、hdfs-site.xml这两个文件

修改后的core-site.xml文件如下：

<configuration>

   <property>

     <name>hadoop.tmp.dir</name>

     <value>file:/usr/local/hadoop/tmp</value>

     <description>Abase for other temporary directories.</description>

  </property>

</configuration>

修改后的hdfs-site.xml文件如下：

<configuration>

   <property>

     <name>dfs.replication</name>

     <value>1</value>

  </property>

   <property>

     <name>dfs.namenode.name.dir</name>

     <value>file:/usr/local/hadoop/tmp/dfs/name</value>

  </property>

   <property>

     <name>dfs.datanode.data.dir</name>

     <value>file:/usr/local/hadoop/tmp/dfs/data</value>

  </property>

</configuration>

配置完成后，需要初始化文件系统，执行命令如下：

$./bin/hadoop namenode -format

当看到运行结果为“Exiting with status 0”之后，就说明初始化成功。