HADOOP概述

　　一、Hadoop概述
　　1。1Hadoop是什么
　　Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
　　主要解决，海量数据的存储和海量数据的分析计算问题。
　　广义上来说，Hadoop通常是指一个更广泛的概念Hadoop生态圈。
　　Google是Hadoop的思想之源（Google在大数据方面的三篇论文，GFSHDFS，MapReduceMR，BigTableHBase）
　　Hadoop三大发行版本：Apache、Cloudera、Hortonworks。
　　1。2Hadoop的优势
　　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。
　　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。
　　高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
　　高容错性：能够自动将失败的任务重新分配。
　　1。3Hadoop组成（面试重点）
　　在Hadoop1。x时代：Hadoop由HDFS、MapReduce组成，MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大
　　在Hadoop2。x时代，增加了Yarn，Yarn只负责资源的调度，MapReduce只负责运算
　　Hadoop3。x在组成上没有变化。
　　1。3。1HDFS架构概述
　　HadoopDistributedFileSystem，简称HDFS，是一个分布式文件系统。
　　NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
　　DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验和。
　　SecondaryNameNode（2nn）：每隔一段时间对NameNode元数据备份。
　　1。3。2YARN架构概述
　　YetAnotherResourceNegotiator简称YARN，另一种资源协调者，是Hadoop的资源管理器。
　　YARN架构概述
　　ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
　　NodeManager（NM）：单个节点服务器资源老大
　　ApplicationMaster（AM）：单个任务运行的老大
　　Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。
　　说明：客户端可以有多个，集群上可以运行多个ApplicationMaster，每个NodeManager上可以有多个Container
　　1。3。3MapReduce架构概述
　　MapReduce将计算过程分为两个阶段：Map和Reduce，Map阶段并行处理输入数据，Reduce阶段对Map结果进行汇总
　　MapReduce架构概述
　　待分析数据10Tmap阶段（集群）reduce阶段汇总处理数据
　　HDFS、YARN、MapReduce三者关系
　　1。4大数据技术生态体系
　　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（例如：MySQL，Oracle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。
　　Flume：Flume是一个高可用的，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；
　　Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
　　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。
　　Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
　　Oozie：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统。
　　Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
　　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。
　　ZooKeeper：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