1. hadoop 生態概況
Hadoop是一個由Apache基金會所開發的分佈式系統基礎架構。
用戶可以在不瞭解分佈式底層細節的情況下，開發分佈式程序。充分利用集羣的威力進行高速運算和存儲。
具有可靠、高效、可伸縮的特點。
Hadoop的核心是YARN,HDFS和Mapreduce
下圖是hadoop生態系統，集成spark生態圈。在未來一段時間內，hadoop將於spark共存，hadoop與spark
都能部署在yarn、mesos的資源管理系統之上
下面將分別對以上各組件進行簡要介紹，具體介紹參見後續系列博文。
2、HDFS（Hadoop分佈式文件系統）
源自於Google的GFS論文，發表於2003年10月，HDFS是GFS克隆版。
HDFS是Hadoop體系中數據存儲管理的基礎。它是一個高度容錯的系統，能檢測和應對硬件故障，用於在低成本的通用硬件上運行。
HDFS簡化了文件的一致性模型，通過流式數據訪問，提供高吞吐量應用程序數據訪問功能，適合帶有大型數據集的應用程序。
它提供了一次寫入多次讀取的機制，數據以塊的形式，同時分佈在集羣不同物理機器上。
3、Mapreduce（分佈式計算框架）
源自於google的MapReduce論文，發表於2004年12月，Hadoop MapReduce是google MapReduce 克隆版。
MapReduce是一種分佈式計算模型，用以進行大數據量的計算。它屏蔽了分佈式計算框架細節，將計算抽象成map和reduce兩部分，
其中Map對數據集上的獨立元素進行指定的操作，生成鍵-值對形式中間結果。Reduce則對中間結果中相同“鍵”的所有“值”進行規約，以得到最終結果。
MapReduce非常適合在大量計算機組成的分佈式並行環境裏進行數據處理。
4. HBASE（分佈式列存數據庫）
源自Google的Bigtable論文，發表於2006年11月，HBase是Google Bigtable克隆版
HBase是一個建立在HDFS之上，面向列的針對結構化數據的可伸縮、高可靠、高性能、分佈式和麪向列的動態模式數據庫。
HBase採用了BigTable的數據模型：增強的稀疏排序映射表（Key/Value），其中，鍵由行關鍵字、列關鍵字和時間戳構成。
HBase提供了對大規模數據的隨機、實時讀寫訪問，同時，HBase中保存的數據可以使用MapReduce來處理，它將數據存儲和並行計算完美地結合在一起。
5. Zookeeper（分佈式協作服務）
源自Google的Chubby論文，發表於2006年11月，Zookeeper是Chubby克隆版
解決分佈式環境下的數據管理問題：統一命名，狀態同步，集羣管理，配置同步等。
Hadoop的許多組件依賴於Zookeeper，它運行在計算機集羣上面，用於管理Hadoop操作。
6. HIVE（數據倉庫）
由facebook開源，最初用於解決海量結構化的日誌數據統計問題。
Hive定義了一種類似SQL的查詢語言(HQL),將SQL轉化爲MapReduce任務在Hadoop上執行。通常用於離線分析。
HQL用於運行存儲在Hadoop上的查詢語句，Hive讓不熟悉MapReduce開發人員也能編寫數據查詢語句，然後這些語句被翻譯爲Hadoop上面的MapReduce任務。
7.Pig(ad-hoc腳本）
由yahoo!開源，設計動機是提供一種基於MapReduce的ad-hoc(計算在query時發生)數據分析工具
Pig定義了一種數據流語言—Pig Latin，它是MapReduce編程的複雜性的抽象,Pig平臺包括運行環境和用於分析Hadoop數據集的腳本語言(Pig Latin)。
其編譯器將Pig Latin翻譯成MapReduce程序序列將腳本轉換爲MapReduce任務在Hadoop上執行。通常用於進行離線分析。
8.Sqoop(數據ETL/同步工具）
Sqoop是SQL-to-Hadoop的縮寫，主要用於傳統數據庫和Hadoop之前傳輸數據。數據的導入和導出本質上是Mapreduce程序，充分利用了MR的並行化和容錯性。
Sqoop利用數據庫技術描述數據架構，用於在關係數據庫、數據倉庫和Hadoop之間轉移數據。
9.Flume（日誌收集工具）
Cloudera開源的日誌收集系統，具有分佈式、高可靠、高容錯、易於定製和擴展的特點。
它將數據從產生、傳輸、處理並最終寫入目標的路徑的過程抽象爲數據流，在具體的數據流中，數據源支持在Flume中定製數據發送方，從而支持收集各種不同協議數據。
同時，Flume數據流提供對日誌數據進行簡單處理的能力，如過濾、格式轉換等。此外，Flume還具有能夠將日誌寫往各種數據目標（可定製）的能力。
總的來說，Flume是一個可擴展、適合複雜環境的海量日誌收集系統。當然也可以用於收集其他類型數據
10.Mahout（數據挖掘算法庫）
Mahout起源於2008年，最初是Apache Lucent的子項目，它在極短的時間內取得了長足的發展，現在是Apache的頂級項目。
Mahout的主要目標是創建一些可擴展的機器學習領域經典算法的實現，旨在幫助開發人員更加方便快捷地創建智能應用程序。
Mahout現在已經包含了聚類、分類、推薦引擎（協同過濾）和頻繁集挖掘等廣泛使用的數據挖掘方法。
除了算法，Mahout還包含數據的輸入/輸出工具、與其他存儲系統（如數據庫、MongoDB 或Cassandra）集成等數據挖掘支持架構。
11. Oozie(工作流調度器）
Oozie是一個可擴展的工作體系，集成於Hadoop的堆棧，用於協調多個MapReduce作業的執行。它能夠管理一個複雜的系統，基於外部事件來執行，外部事件包括數據的定時和數據的出現。
Oozie工作流是放置在控制依賴DAG（有向無環圖 Direct Acyclic Graph）中的一組動作（例如，Hadoop的Map/Reduce作業、Pig作業等），其中指定了動作執行的順序。
Oozie使用hPDL（一種XML流程定義語言）來描述這個圖。
12. Yarn(分佈式資源管理器）
YARN是下一代MapReduce，即MRv2，是在第一代MapReduce基礎上演變而來的，主要是爲了解決原始Hadoop擴展性較差，不支持多計算框架而提出的。
Yarn是下一代 Hadoop 計算平臺，yarn是一個通用的運行時框架，用戶可以編寫自己的計算框架，在該運行環境中運行。
用於自己編寫的框架作爲客戶端的一個lib，在運用提交作業時打包即可。該框架爲提供了以下幾個組件：
- 資源管理：包括應用程序管理和機器資源管理
- 資源雙層調度
- 容錯性：各個組件均有考慮容錯性
- 擴展性：可擴展到上萬個節點
13. Mesos（分佈式資源管理器）
Mesos誕生於UC Berkeley的一個研究項目，現已成爲Apache項目，當前有一些公司使用Mesos管理集羣資源，比如Twitter。
與yarn類似，Mesos是一個資源統一管理和調度的平臺，同樣支持比如MR、steaming等多種運算框架。
14. Tachyon（分佈式內存文件系統）
Tachyon（/'tæki:ˌɒn/ 意爲超光速粒子）是以內存爲中心的分佈式文件系統，擁有高性能和容錯能力，
能夠爲集羣框架（如Spark、MapReduce）提供可靠的內存級速度的文件共享服務。
Tachyon誕生於UC Berkeley的AMPLab。
15. Tez(DAG計算模型)
Tez是Apache最新開源的支持DAG作業的計算框架，它直接源於MapReduce框架，核心思想是將Map和Reduce兩個操作進一步拆分，
即Map被拆分成Input、Processor、Sort、Merge和Output， Reduce被拆分成Input、Shuffle、Sort、Merge、Processor和Output等，
這樣，這些分解後的元操作可以任意靈活組合，產生新的操作，這些操作經過一些控制程序組裝後，可形成一個大的DAG作業。
目前hive支持mr、tez計算模型，tez能完美二進制mr程序，提升運算性能。
16. Spark(內存DAG計算模型)
Spark是一個Apache項目，它被標榜爲“快如閃電的集羣計算”。它擁有一個繁榮的開源社區，並且是目前最活躍的Apache項目。
最早Spark是UC Berkeley AMP lab所開源的類Hadoop MapReduce的通用的並行計算框架。
Spark提供了一個更快、更通用的數據處理平臺。和Hadoop相比，Spark可以讓你的程序在內存中運行時速度提升100倍，或者在磁盤上運行時速度提升10倍
17. Giraph(圖計算模型)
Apache Giraph是一個可伸縮的分佈式迭代圖處理系統， 基於Hadoop平臺，靈感來自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。
最早出自雅虎。雅虎在開發Giraph時採用了Google工程師2010年發表的論文《Pregel：大規模圖表處理系統》中的原理。後來，雅虎將Giraph捐贈給Apache軟件基金會。
目前所有人都可以下載Giraph，它已經成爲Apache軟件基金會的開源項目，並得到Facebook的支持，獲得多方面的改進。
18. GraphX(圖計算模型）
Spark GraphX最先是伯克利AMPLAB的一個分佈式圖計算框架項目，目前整合在spark運行框架中，爲其提供BSP大規模並行圖計算能力。
19. MLib（機器學習庫）
Spark MLlib是一個機器學習庫，它提供了各種各樣的算法，這些算法用來在集羣上針對分類、迴歸、聚類、協同過濾等。
20. Streaming（流計算模型）
Spark Streaming支持對流數據的實時處理，以微批的方式對實時數據進行計算
21. Kafka（分佈式消息隊列）
Kafka是Linkedin於2010年12月份開源的消息系統，它主要用於處理活躍的流式數據。
活躍的流式數據在web網站應用中非常常見，這些數據包括網站的pv、用戶訪問了什麼內容，搜索了什麼內容等。
這些數據通常以日誌的形式記錄下來，然後每隔一段時間進行一次統計處理。
22. Phoenix（hbase sql接口）
Apache Phoenix 是HBase的SQL驅動，Phoenix 使得Hbase 支持通過JDBC的方式進行訪問，並將你的SQL查詢轉換成Hbase的掃描和相應的動作。
23. ranger(安全管理工具）
Apache ranger是一個hadoop集羣權限框架，提供操作、監控、管理複雜的數據權限，它提供一個集中的管理機制，管理基於yarn的hadoop生態圈的所有數據權限。
24. knox（hadoop安全網關）
Apache knox是一個訪問hadoop集羣的restapi網關，它爲所有rest訪問提供了一個簡單的訪問接口點，能完成3A認證（Authentication，Authorization，Auditing）和SSO（單點登錄）等
25. falcon（數據生命週期管理工具）
Apache Falcon 是一個面向Hadoop的、新的數據處理和管理平臺，設計用於數據移動、數據管道協調、生命週期管理和數據發現。它使終端用戶可以快速地將他們的數據及其相關的處理和管理任務“上載（onboard）”到Hadoop集羣。
26.Ambari（安裝部署配置管理工具）
Apache Ambari 的作用來說，就是創建、管理、監視 Hadoop 的集羣，是爲了讓 Hadoop 以及相關的大數據軟件更容易使用的一個web工具。