《十小时入门大数据》学习笔记之初识Hadoop

笔记内容概括

• 1. Hadoop概述
     1.1 Hadoop名字的由来
     1.2 Hadoop介绍
     1.3 Hadoop能做什么
• 2. Hadoop核心组件
     2.1 HDFS(分布式文件系统)
     2.2 YARN(资源调度系统)
     2.3 MapReduce(分布式计算框架)
• 3. Hadoop优势
• 4. Hadoop发展史
• 5. Hadoop 生态系统
     5.1 狭义Hadoop VS 广义Hadoop
     5.2 Hadoop生态系统的特点
• 6. Hadoop发行版本的选择

1、Hadoop概述

1.1 Hadoop名字的由来

• Hadoop项目作者的孩子给一个棕黄色的大象样子的填充玩具的命名 Hadoop的官网：http://hadoop.apache.org ,一定要学会看官网、养成看官网的习惯。

1.2 Hadoop介绍

Hadoop是Apache的一个顶级项目、是开源的、分布式存储+分布式计算平台；它由以下几个模块构成：
Hadoop Common: 这是支持hadoop其他模块的通用工具模块
Hadoop Distributed File System(HDFS）:分布式文件系统
Hadoop YARN: 统一资源管理和任务调度
Hadoop MapReduce:基于yarn系统的分布式计算框架
下图是官网的描述：

1.3 Hadoop能做什么

搭建大型数据仓库，PB级数据的存储、处理、分析、统计等业务，如：智能商业、日志分析、搜索引擎、数据挖掘等场景。

2、Hadoop核心组件

/2.1 HDFS(分布式文件系统)

• 源自于Google的GFS论文，论文发表于2003年10月
• HDFS是GFS的克隆版
• HDFS特点:扩展性&容错性&海量数据存储
• 将文件切分成指定大小的数据块并以多副本的存储在多个机器上

• 数据切分、多副本、容错等操作对用户是透明的

2.2 YARN(资源调度系统)

• YARN: Yet Another Resource Negotiator
• 负责整个集群资源的管理和调度

• YARN特点：扩展性&容错性&多框架资源统一调度

2.3 MapReduce(分布式计算框架)

• 源自于Google的MapReduce论文。论文发表于2004年12月
• MapReduce是Google MapReduce的克隆版

• MapReduce特点： 扩展性&容错性&海量数据离线处理

3、Hadoop优势

(1)、高可靠性

• 数据存储：数据块多副本
• 数据计算： 重新调度作业计算
  (2)、高扩展性
• 存储/计算资源不够时，可以横向的线性扩展机器
• 一个集群中可以包含数以千计的节点
  (3)、其他
• 存储在廉价机器上，降低成本
• 成熟的生态圈

4、Hadoop的发展史

这篇博文有很详细的介绍：十年了，Hadoop的前世今生博文链接

5、Hadoop生态系统

5.1 狭义Hadoop VS 广义Hadoop

• 狭义Hadoop：
  指的是一个适合大数据分布式存储(HDFS)、分布式计算(MapReduce)和资源调度(YARN)平台,即传统意义上的Hadoop。
• 广义Hadoop：指的是整个Hadoop生态系统，Hadoop生态系统是一个很庞大的概念，Hadoop是其中最重要最基础的一部分；生态系统中的每一个子系统只能解决某一特定的问题域(甚至可能很窄)，不搞统一型的一个全能系统，而是小而精的多个小系统。
  

5.2 Hadoop生态系统的特点

• 开源、社区活跃
• 囊括了大数据处理的方方面面
• 成熟的生态圈

6、 Hadoop常用发行版本和和选型

• Apcahe Hadoop:存在jar包冲突的问题，一般只用于学习；
• CDH(Cloudera Distributed Hadoop):商业版，不存在jar冲突问题，配置简单、文档详细，具有容易升级的优点，生产环境中大多选择该版本，缺点是代码不开源，下载地址；
• HDP(Hortonworks Data Platform):存在安装升级和删除节点困难的问题，一般也应用于商业场景。

《十小时入门大数据》之系列学习笔记

《十小时入门大数据》学习笔记之大数据概述