Hadoop学习（1）-- 入门介绍

　　Hadoop是Apache基金会开发的一个分布式系统基础架构，是时下最流行的分布式系统架构之一。用户可以在不了解分布式底层的情况下，在Hadoop上快速进行分布式应用的开发，并利用集群的计算和存储能力，完成海量数据的处理。

一、Hadoop特点

1、扩容能力(Scalable)：能可靠地存储和处理千兆(PB)字节数据。

2、成本低(Economical)：可以通过普通机器组成的服务器群来分发以及处理数据，群集规模可达数千节点。

3、高效率(Efficient)：通过分发数据，hadoop可以在数据所在的节点上并行地处理他们，这使得处理非常快速。

4、可靠性(Reliable)：hadoop能自动地维护数据的多分副本，并且在任务失败后能自动地重新部署计算任务。

二、Hadoop主要产品

1、Hadoop：分布式系统基础架构

2、HDFS(Hadoop Distributed File System)：分布式文件系统

3、MapReduce：并行计算框架

图2-1 Hadoop单节点物理结构

三、hadoop集群的物理分布

　　hadoop集群中namenode和jobtracker只有一个节点，datanode和tasktracker存在多个节点，其物理分布结构如图3-1所示。

图3-1 hadoop集群物理分布

四、Hadoop家族产品

1、Hadoop： 是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。

2、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，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。

3、Pig： 是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。

4、HBase： 是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。

5、Sqoop： 是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres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。

6、Zookeeper： 是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务。

7、Mahout：是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。

8、Cassandra：是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身。

9、Avro： 是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制。

10、Ambari： 是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。

11、Chukwa： 是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合 Hadoop 处理的文件保存在 HDFS 中供 Hadoop 进行各种 MapReduce 操作。

12、Hama： 是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。

13、Flume： 是一个分布的、可靠的、高可用的海量日志聚合的系统，可用于日志数据收集，日志数据处理，日志数据传输。

14、Giraph： 是一个可伸缩的分布式迭代图处理系统， 基于Hadoop平台，灵感来自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。

15、Oozie： 是一个工作流引擎服务器, 用于管理和协调运行在Hadoop平台上（HDFS、Pig和MapReduce）的任务。

16、Crunch： 是基于Google的FlumeJava库编写的Java库，用于创建MapReduce程序。与Hive，Pig类似，Crunch提供了用于实现如连接数据、执行聚合和排序记录等常见任务的模式库。

17、Whirr： 是一套运行于云服务的类库（包括Hadoop），可提供高度的互补性。Whirr学支持Amazon EC2和Rackspace的服务。

18、Bigtop： 是一个对Hadoop及其周边生态进行打包，分发和测试的工具。

19、HCatalog： 是基于Hadoop的数据表和存储管理，实现中央的元数据和模式管理，跨越Hadoop和RDBMS，利用Pig和Hive提供关系视图。

20、Hue： 是一个基于WEB的监控和管理系统，实现对HDFS，MapReduce/YARN, HBase, Hive, Pig的web化操作和管理。

图4-1 hadoop家族产品

五、常用工具介绍

1、PieTTY：通过SSH协议连接Linux。　　http://pan.baidu.com/s/1hqHxBxU

2、WinSCP：windows与远程机器文件传输。　　http://pan.baidu.com/s/1c0oz2W4