Hadoop生态圈-大数据生态体系快速入门篇

　　　　　　　　　　　　　　Hadoop生态圈-大数据生态体系快速入门篇

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　作者：尹正杰

版权声明：原创作品，谢绝转载！否则将追究法律责任。

一.大数据概念

1>.什么是大数据

　　大数据（big data）：是指无法在一定时间范围内用常规软件进行捕捉，管理和处理的数据集合，是需要新处理模式才能具有更强的决策力，洞察发现力和流程优化能力的海量，高增长率和多样化的信息资产。

　　大数据技术主要解决两个问题，即海量的存储和海量的数据的分析计算。

2>.数据存储单位介绍

　　按照顺序给出数据存储单位如：Bit,Byte,KB，MB，GB，TB，PB，EB，ZB，YB，BB，NB，DB。换算单位如下：

1Byte  =       Bit
1K       =  Byte
1MB    =  KB
1GB     =  MB
1TB      =  GB
1PB      =  TB
1EB      =  PB
1ZB      =  EB
1YB      =  ZB
1BB      =  YB
1NB     =  BB
1DB      =  NB

 3>.大数据特点

　　大数据最明显的特点简单的来说就是四个V，即：Volume(大量)，Velocity(高速)，Variety(多样)，Value(低价值密度)。

>.Volume(大量)
    截止目前，人类生成的所有印刷材料的数据量是200PB，而历史上全人类总共说过的话的数据量大约是5EB，
当前，典型个人计算机硬盘的容量为TB量级，而一些大企业的数据量已经接近EB量级。

>.Velocity(高速)
    这是大数据区分与传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报告，预计到2020年，全球数据
使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。

>.Variety(多样)
    这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以数据库/文本为主的
结构化数据,非结构化的数据越来越多，包括网络日志，音频，视频，图片，地理位置信息等等，这些多类型的数
据的处理能力提出了更高的要求。

>.Value(低价值密度)
    价值密度的高低与数据总量的大小成反比，如何快速对有价值的数据“提纯”称为目前大数据背景下待解决的
难题。

 4>.企业的组织结构

　　大数据工程师的岗位还是蛮紧缺的，尤其是在数据挖掘方向，其实从事大数据主要分三个方向，即大数据运维，大数据开发，大数据分析，其实大数据报表貌似跟大数据不咋搭边。下图是我在网上描述对企业大数据部门的一般组织结构，那么问题来了？如果你想要从事大数据工作，你会选择哪个方向呢？

二.从Hadoop框架讨论大数据生态圈

1>.Hadoop是什么

Hadoop是什么
    >.Hadoop是一个由Apache基金会所开发的分布式洗头膏基础架构；
    >.主要解决:海量数据的存储和海量数据的分析计算为题；
    >.广义上来说，Hadoop通常是指一个更广泛的概念，它指的不仅仅是Hadoop这款软件，而是指的是Hadoop生态圈；
    

2>.Hadoop发展历史

Hadoop发展历史
    >.Lunce-Doug开创的开源软件，用Java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，
包括完整的查询引擎和搜索引擎；
    >.2001年年底称为Apache基金会的一个子项目；
    >.对于大数据的场景，Luence面对与Google同样的困难；
    >.学习和模仿Google解决这些问题的办法：微型版Nutch
    >.可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文)
        GFS              ----催化剂----> HDFS
        Map-Reduce         ----催化剂----> MR
        BigTable        ----催化剂----> HBase
    >.-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升；
    >.2005年Hadoop作为Lucene的子项目，Nutch的一部分正式引入Apache基金会。2006年3月份，Map-Reduce和Nutch Distributed File System(NDFS)分别被纳入称为Hadoop的项目中
    >.Hadoop的名字来源于Doug Cutting儿子的玩具大象；
    >.Hadoop就此诞生并迅速发展，标志着大数据时代来临；

3>.Hadoop三大发行版本

Hadoop三大发行版本
    >.Apache版本最原始(最基础)的版本，对于入门学习最好
        2005年Hadoop作为Lucene的子项目，Nutch的一部分正式引入Apache基金会。2006年3月份，Map-Reduce和Nutch Distributed File System(NDFS)分别被纳入称为Hadoop的项目中。
        官网地址：http://hadoop.apache.org/
    >.Cloudera是大型企业互联网企业中的较多(按照技术服务收费)
        2.1>.2008年成立的Coudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要包括支持，咨询服务，培训；
        2.2>.2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support；
        2.3>.CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强；
        2.4>.Coundera Manager是集群的软件分发及管理监控平台，开源在几个小时内部署好的一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持；
        2.5>.Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。
        官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
        下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/
    >.Hortonworks文档比较好，它是后起之秀起步较晚
        3.1>.2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建;
        3.2>.公司成立之初最吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop %的代码；
        3.3>.雅虎工程副总裁，雅虎Hadoop开发团队负责人Eric Baldeschwieler 出任Hortonworks的首席执行官;
        3.4>Hortonworks的主打产品是Hortonworks Data Platform(HDP)，也同样是100%开源的产品，HDP除常见的项目还包括Ambari，一款开源的安装呵呵管理系统；
        3.5>.HCatalog，一个元数据管理系统，Hcatalog现已集成到Facebook开源的Hive中。Hortonworks的Stringer开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒；
        3.6>.Hortonworks开发很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Windows Server和Windows Azure在内的Microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元;
        官网地址：https://hortonworks.com/products/data-platforms/
        下载地址：https://hortonworks.com/downloads/#data-paltform
        

4>.Hadoop的优势

Hadoop的优势
    >.高可靠性
        因为Hadoop假设计算元素的和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理。
    >.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
        自动保存多个副本数据，并且能够自动将失败的任务重新分配。

5>.Hadoop组成

>.Hadoop概述
    1.1>.Hadoop HDFS: 一个高可用，高吞吐量的分布式文件系统，提供数据存储;
    1.2>.Hadoop MapReduce:一个分布式的离线并行计算框架；
    1.3>.Hadoop YARN：作业调度与集群资源管理的框架，提供资源调度;
    1.4>.Hadoop Common:共同模块，支持其他模块的工具模块。

>.HDFS架构概述
    2.1>.NameNode(简称nn)
        负责存储文件的元数据，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等等。
    2.2>.DataNode(简称dn)
        负载在本地文件系统存储文件块数据，以及块数据的校验和。换句话说，它负责存储真实数据。
    2.3>.Secondary NameNode(简称2nn)
        负责用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。

>.YARN架构概述
    3.1>.ResourceManager(简称rm)
        负责处理客户端请求，启动/监控ApplicationMaster，监控NodeManager，资源分配与调度。
    3.2>.NodeManager(简称nm)
        负责单个节点上的资源管理，处理来自ResourceManager的命令，处理来自ApplicationMaster的命令。
    3.3>.ApplicationMaster
        负责数据切分，为应用程序申请资源，并分配给内部任务，任务监控与容错。
    3.4>.Container
        负责对任务运行环境的抽象，封装CPU，内存等多位资源以及环境变量，启动命令等任务运行相关的信息。

>.MapReduce架构概述
    MapReduce将计算过程分为两个阶段：即Map和Reduce(当然你在跟源码的时候发现其实在Map和Reduce阶段的前后还有很多细节！后期的文章会详细介绍的)
    3.1>.Map阶段并行处理输入数据
    3.2>.Reduce阶段对Map结构进行汇总

6>.大数据生态体系