Hadoop概括——学习笔记<一>转

前言

第一章主要讲的是hadoop基础知识。老师讲的还是比较全面简单的，起码作为一个非专业码农以及数据库管理人员，也能狗大致了解其特点

首先是概括图（以hadoop2.0为例）

一、Hadoop基础架构：

HDFS（分布式存储层，主要储存数据）
YARN（集群资源管理层）
MapReduce 分布式数据处理，java

HDFS为最基本的，分布式文件系统

Redundant, Reliable Storage
它可扩展性好，资源不够时再买服务器就可以直接集成了。另外数据重分布也很方便，对服务器崩溃等等处理也及时。
其会把如1G等大文件，会冗余均等储存在多个服务器上（即使一个服务器崩溃了也无所谓），其过程均在后台处理而用户体验不到。

YARN负责集群管理调度

Cluster Resource Management
它兼容多个计算框架（spark/mapreduce等等），可以统一管理调度多个应用程序
另外，对多用户管理方便（可以方便分配用户资源等等）
基本是数据库管理者调度资源等用的

MapReduce是计算框架的一种

依然方便扩展，适合数据离线处理
里面涉及几个框架图，有空看看这些框架图可以更了解他们的架构与应用原理。

二、Hadoop具体模块解析（应用层）

Hadoop1.0
Hive 数据仓库与sql整合
Pig 流行引擎
Mahout 数据挖掘库
–>Oozie 可以调度上述三种作业，先后处理什么作业，设定执行作业
–>Hbase 构建了hdfs之上的分布式数据库
–>数据引用 flume sqoop
协调服务zookeeper

Hadoop2.0
增加了YARN（计算框架）
预装了新一代软件 hive2 pig2等等

Hive: 日志数据处理，数据仓库

可以把sql语句转化为MapReduce语句
与数据库进行接口，作为一个类似于SQL的查询语言，使我们不用直接编写程序调用HDFS数据
它一般用于离线数据处理，而不是交互性数据处理。
一般用于：
1）日志分析（如pv uv）：百度、淘宝
2）多维度数据分析
3）海量结构化数据李贤分析
4）低成本进行海量数据分析，不用专门学习MapReduce(简称MR)

Pig: 数据流语言，也是基于MapReduce

sql表达能力过于有限，不够直观。因此对于adhoc的数据分析不够。定义了新的pig Latin语言
也是用于离线数据分析
（PPT里对比了单词分组的MapReduce/hive/pig的案例）
感觉pig更像一个对象式编程，还可以自编写函数。而hive结构型数据处理转换成本更低(sql)，大公司还是在用它居多

Mahout：提供数据挖掘库

包括推荐、聚类、分类三大算法。
反正常用的数据挖掘算法都有了。

HBase：分布式数据库

有表的概念
但是Hbase会有版本、时间戳概念，就是如果新数据进来插入，不会覆盖原来的cell，而是储存在时间戳里（每一行数据）通过版本号数量限制可限定储存的版本数
另外有column family，可以由任意column组成（适合变量）

Zookeeper：用于解决分布式环境下数据管理问题

用户不会直接使用这个系统，而是底层系统用zookeeper解决资源配置问题，包括HDFS/HBase/YARN等
阿里巴巴也开发了使用Zookeeper，Dubbo/Metaq

Sqoop：数据同步工具

就是把Hadoop跟传统mysql,db2等数据库结合
属于基于MapReduce的一个程序

Flume：日志收集系统

与Sqoop类似，用于把日志导入hadoop里面
可以把网站使用的数据统一加载到HDFS里（加载基于Flume的客户端）agent-collector-HDFS
涉及客户端内容。（ATM采集信息等集群）

Oozie：用于调度不同的作业之间的管理与调度

对于有前后关系的、需要周期性定期性执行的工具进行调度甚至监控报警（邮件、短信报警）

转自 http://www.flybi.net/blog/weibaar/2969