数分-理论-大数据2-Hadoop

(数据分析系列)

文章目录

数分-理论-大数据2-Hadoop
- 1知识点
- 2具体内容
- - 2.1发展
  - 2.2简介
  - 2.3项目架构
  - 2.4安装应用
- 参考

1知识点

发展
简介
项目架构
安装应用

2具体内容

2.1发展

Lucene：文本搜索的函数库，全文检索引擎
Nutch：建立在Lucene核心之上的网页搜索应用程序，加了网络爬虫和一些网页相关的功能
GFS（2003）：google为存储海量搜索数据而设计的专用文件系统
NDFS（2004）：分布式文件存储系统Nutch Distributed File System
MapReduce编程模型（2004）：用于大规模数据集（大于1TB）的并行分析运算。
（2005年）Nutch搜索引擎实现MapReduce
Hadoop（2006，雅虎），Doug Cutting将NDFS和MapReduce进行了升级改造
BigTable，（2006，谷歌），分布式数据存储系统，一种用来处理海量数据的非关系型数据库。
HBase，在自己的Hadoop系统里面，引入了BigTable
2008年1月，Hadoop成功上位，正式成为Apache基金会的顶级项目。2月，Yahoo宣布建成了一个拥有1万个内核的Hadoop集群，并将自己的搜索引擎产品部署在上面。7月，Hadoop打破世界纪录，成为最快排序1TB数据的系统，用时209秒。

2.2简介

1.概述

Hadoop是Apache软件基金会旗下的一个开源分布式计算平台，为用户提供了系统底层细节透明的分布式基础架构。
跨平台，可部署在廉价的计算机集群
核心是分布式文件系统HDFS（Hadoop Distributed File System）和 MapReduce。
1. HDFS，面向普通硬件环境的分布式文件系统，具有较高的读写速度、很好的容错性和可伸缩性，支持大规模数据的分布式存储，其冗余数据存储的方式，很好地保证了数据的安全性。
2. MapReduce是针对谷歌MapReduce的开源实现，允许用户在不了解分布式系统底层细节的情况下开发并行应用程序，采用MapReduce来整合分布式文件系统上的数据，可保证分析和处理数据的高效性。

2.特性

高可靠性：采用冗余数据存储方式，即使一个副本发生故障，其他副本也可以保证正常对外提供服务。Hadoop按位存储和处理数据的能力，值得人们信赖。
高效性：作为并行分布式计算平台，Hadoop采用分布式存储和分布式处理两大核心技术，能够高效地处理PB级数据。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。
高可扩展性：Hadoop的设计目标是可以高效稳定地运行在廉价的计算机集群上，可以扩展到数以千计的计算机节点。
高容错性：采用冗余数据存储方式，自动保存数据的多个副本，并且能够自动将失败的任务进行重新分配。
成本低：Hadoop采用廉价的计算机集群，成本较低，普通用户也很容易用自己的PC上搭建Hadoop运行环境。与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，Hadoop是开源的，项目的软件成本因此会大大降低。
运行在Linux平台上：Hadoop是基于Java语言开发的，可以较好地运行在Linux平台上。
支持多种编程语言：Hadoop上的应用程序也可以使用其他语言编写，如C++。

3.应用现状
国内外，大型公司使用Hadoop集群成为趋势，并在Hadoop基础上提出了新的解决方案

2.3项目架构

在这里插入图片描述

Common：为Hadoop其他子项目提供支持的常用工具，它主要包括FileSystem、RPC和串行化库，它们为在廉价的硬件上搭建云计算环境提供了基本的服务，并为运行在该平台上的软件开发提供了所需的API
Avro：数据库序列化的系统
- 提供了丰富的数据结构类型、快速可压缩的二进制数据格式、存储持久性数据的文件集、远程调用RPC的功能和简单的动态语言集成功能
- 代码生成器即不需要读写文件数据，也不需要使用或者实现RPC协议，它只是一个可选的对静态类型语言的实现
- Avro系统依赖于模式，客户端和服务器端通过握手协议进行模式交换
HBase：提供高可靠性、高性能、可伸缩、实时读写和分布式的列式数据库，一般采用HDFS作为其底层数据存储。
- 适合于非结构化数据存储的数据库
- 基于列而不是基于行的存储模式
- HBase表是疏松的，用户可以给行定义各种不同类型的列
- 主要用于需要随机访问、实时读写的大数据（Big Data）
Pig：数据流语言和运行环境，适合于使用Hadoop和MapReduce的平台来查询大型半结构化数据集。
- 接近结构化查询语言(SQL)的接口
- Pig要比MapReduce具有明显的优势，前者只需要编写一个简单的脚本在集群中自动并行处理与分发，而后者则需要编写一个单独的MapReduce应用程序
- Pig是一个对大型数据集进行分析、评估的平台，最突出的优势是它的结构能够经受住高度并行化的检验，这个特性使得它能够处理大型的数据集。Pig的底层由编译器组成，运行的时候会产生一些MapReduce程序序列。
Sqoop：改进数据的互操作性，主要用来在Hadoop和关系数据库之间交换数据
- 通过JDBC（Java DataBase Connectivity）与关系数据库进行交互
Chukwa：开源的数据收集系统，用于监控和分析大型分布式系统的数据
- 集成了Hadoop的可扩展性和健壮性，通过HDFS来存储数据，并依赖MapReduce任务处理数据
Zookeeper：为分布式应用所涉及的开源协调服务
- 为用户提供同步、配置管理、分组和命名等服务，减轻分布式应用程序所承担的协调任务
- 目录树结构