hadoop

------------恢复内容开始------------

1、Hadoop是什么？

1. Hadoop是一个Apache基金会所开发的分布式系统基础框架（Hive、Hbase、spark都是基于hadoop架构进行数据存储）。
2. 主要解决：海量数据存储和海量数据分析计算问题。
3. 广义上来说，Hadoop通常是指一个更广泛的概念-Hadoop生态圈。

2、Hadoop发展历史
　　1）Lucene框架是Doug Cutting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，他提供全文搜索
　　　  引擎架构，包括完整的查询引擎和索引引擎。
　　2）2001年年底 Lucene成为Apache基金会的一个子项目。
　　3）对于海量数据的场景，Lucene面对与Google同样的困难，存储数据困难，检索速度慢。
　　4）学习和模仿Google解决这些问题的办法：微型版Nutch。
　　5）可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）。
GFS-->HDFS (G代表Google) Hadoop分布式文件系统
Map-Reduce-->MR
BigTable-->HBase
6）2003-2004 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。
7）2005年Hadoop成为Lucene子项目Nuntch的一部分正式引入Apache基金会
8）2006年3月，Map-Reduce和Nutch Distributed File System(NDFS)分别被纳入Hadoop的项目中
9）名字来源于Doug Cutting儿子的玩具大象
10）Hadoop就此诞生并迅速发展，标志着大数据时代的来临
## 3.Hadoop的优势
1）高可靠性：Hadoop底层维护多个数据副本，所有即使Hadoop某个计算元素出现故障，也不会导致数据的丢失。
2）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。
3）高效性：在MapReduce的思想下，Hadoop的并行工作的，以加快任务处理速度
4）高容错性：能够自动将失败的任务重新分配
### 1.Hadoop组成(解决数据和计算问题)
1）Hadoop1.x和Hadoop2.x的区别
1）Hadoop1.x组成
MapReduce（计算和资源调度）
HDFS（数据存储）
Common（辅助工具）
2）Hadoop2.x组成
MapReduce（计算）
Yarn(资源调度)
HDFS（数据存储）
Common（辅助工具）
2.HDFS架构概述
1）NameNode(nn):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。（目录）
2）DataNode(dn):在本地文件系统中存储文件块的数据，以及数据的校验和（目录下实实在在的数据）
3）Secondary NameNode(2nn):用来监控HDFS状态的辅助后台，每个一段时间间获取HDFS元数据的快照
3.Yarn 架构概述
1）ResourceManager(RM)主要作用：
（1）处理客户端请求
（2）监控NodeManager
（3）启动或监控ApplicationMaster
（4）资源的分配与调度
2）NodeManger(NM)
（1）管理单个节点上的资源
（2）处理来自ResourceManager的命令
（3）处理来自ApplicationMaster的命令
3）Application
（1）负责数据的切分
（2）为应用程序申请资源并分配给内部任务
（3）任务的监控与容错
4）Container
（1）Container是Yarn中的资源抽象，它是封装了某个节点上的多维度资源，如内存，CPU，磁盘，网络
4.MapReduce架构概述
1）MapReduce将计算过程分为两个阶段：Map和Reduce
（1）Map阶段并行处理输入数据
（2）Reduce阶段是对Map结果进行汇总
## 6.大数据技术生态体系


1）Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库
（例如 ：MySQL，Oracle 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。
2）Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中
定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
（1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
（2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
（3）支持通过Kafka服务器和消费机集群来分区消息。
（4）支持Hadoop并行数据加载。
4）Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5）Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
7）Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库
8）Hive：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，并提供简单的SQL查询功能，可以将
SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类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。
10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于
统计计算和统计制图的优秀工具。
11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，
提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，
将简单易用的接口和性能高效、功能稳定的系统提供给用户

## 7.推荐系统项目架构


------------恢复内容结束------------