生态系统概述

Hadoop生态系统概述以及版本衍化

本文内容主要在于，整体把握Hadoop体系各个组成部分，及其各个组件的功能，宏观上阐述，为进一步学习hadoop，打下基础。

Hadoop生态系统的有点：

1．开源免费，因为开源，所以用的也放心。

2．社区活跃，容易沟通

3．设计分布式存储和计算的方方面面

4．已经在企业中良好运作

Hadoop1.0和2.0的区别

Hadoop目前已经更新到二代，较之一代有很大改进：

最为主要的区别就是在HDFS之上和MapReduce之间添加了一个新的参与则YARN。

到这里，首先说明一下，Hadoop最为重要的就两部分:一分布式存储（HDFS）二大数据计算（MapRudece）。一代Hadoop运行在FDHS之上的计算框架只有MapReduce，应用受到了很大限制，到了二代，YARN就横空出世。

这里可以简单理解YARN就像一个扩展巢，在YARN上面可以运行很多的计算框架了。YARN负责集群资源的统一管理和调度

Hadoop介绍(概述)：

1分布式存储系统HDFS（Hadoop Distributed FileSystem）

       分布式存储系统

       提供了高可靠性、高扩展性和高吞吐率的数据存储服务

2.资源管理系统YARN（Yet Another Resource Negotiator）:

       负责集群资源统一管理和调度

3.分布式计算框架 MapReduce

       分布式计算框架

       具有易于编程、高容错性和高扩展性等优点

简单分层模型如下图所示：

HDFS

HDFS特点：

       良好的扩展性

       高容错性

       适合PB级以上的海量数据的存储

基本原理：

       将文件切割分成瞪大的数据块，存储到多台机器上

       将数据切分、容错，负责均衡等功能对用户透明化（具体如何实现，不用开发者过问）  可将HDFS看成一个容量巨大，且具有高容错性的磁盘

上图所展示的就是HDFS的工作划分：可以看出，HDFS主要有两个部分组成：

NAMENODE节点（NN）和DATA NODE（DN）节点

大数据中，HDFS集群以Master-Slave模式运行，主要有两类节点：一个Namenode(即Master)和多个Datanode(即Slave)。Namenode管理者文件系统的Namespace。它维护着文件系统树(filesystem tree)以及文件树中所有的文件和文件夹的元数据(metadata)。

以上还能看出，ZooKeeper在这里扮演者调度管理者，同时也在监控着HDFS各个节点的状态。

因为，本文主要是宏观说Haoop这里不不展开说了

YARN：

       Hadoop2.0新增的一个角色

       负责集群的资源管理和调度

       使得多种计算框架可以运行在一个集群中

Yarn的特点：

       良好的扩展性，高可用性

       对多种类型的应用程序进行统一的管理和调度

       自带了多种多用户调度器，适合共享集群环境

上图比较直观反映了，在这个集群上，不同时段上

Hadoop（主要指MapReduce） Spark（基于内存的计算框架， in-memory）  MPI （也是一种计算框架）三者上都有性能不足时候，这样通过YARN可以进行干预，让他们之间互补，如在MapReduce性能不能完全发挥是，可以分配少一点资源，让Spark顶上去，协调集群的资源调度。

上图，则反映YARN 的工作机制，依然能看出Master-Slave的模式运行机制

这张图更为直观，显示，YARN就像插排一一样,上面可以扩展多种分布式计算框架，

如批处理的MapReduce、交互式的Tez、流式处理的Storm ，图处理的Giraph，内存处理计算的Spark等等

MapReduce

       良好的扩展性

       高容错性

       适合PB级以上海量数据的离线处理

上图，可以看出 MapReduce工作分成两块，Map  和 Rudece ：

首先用户书写程序，经由master分配工作，首先将用户提交的数据Split 成若干块，每块放入一个MapWorker 作业，这样就可以并行处理数据，这个过程可以看成分发处理；处理的结果先放入本地磁盘中，然后再由 Reduce部分中的worker在计算，最终输出结果，传入HDFS中去。这里值得注意的是，输入的文件格式和最终处理的格式始终保持一致的，这也包括中间处理的结果文件格式。

这张图，反映的是MapReduce对文件中出现的单词统计的程序，先将文件中的词拆分几个部分，然后在Map作业处理统计，经shuff 洗牌，然后交由Rudce处理作业，这个时候可以看出，中间处理的数据已经有所变化，已经做了归并的处理，这个时候只要在归并的基础上再进行统计，将最终的结果输出。

下面我们通过两张Hadoop生态系统总图来比交一下1.0和2.0的差异:

Hadoop1.0

Hadoop2.0

简单说明：

各个组件功能图中都有标明，这里不赘述了。

       主要说一下Hive，Pig ，Mahout

       首先，我们要处理数据，一般是通过书写MapReduce程序来处理输入的数据，其代码是有java书写。这样就导致了那些没有java基础但又想要做大数据处理的工作者犯难了。

这样Hive和Pig就登场了，这里可以理解他们是两位翻译官。

Hive（Facebook提出）提供了一种类似于传统Sql语句的Hql语言，来书写要处理的数据代码。通过Hive就可以实现将Hql写的代码，自动转变成MapReduce程序。

同理，Pig提出了一种新PigLatin的语言，书写处理数据的程序。他也能转成MapReduce程序

Mahout提供了数据挖掘库，这里包含了大量算法，主要包括三大类：

推荐（Recommendation）

聚类（Clustering）

分类（Classification）

这样，开发人员就不发费大量时间在构筑算中，提高工作效率。

Oozie它使得开发人员能够调度电子邮件通知方面的重复作业，或者调度使用 Java、UNIX Shell、Apache Hive、Apache Pig 和 Apache Sqoop 等各种编程语言编写的重复作业。

目前计算框架和作业繁多：

       MapReduce Storm Hive Pig 等

这样就会存在以下问题：

1. 1.      不同作业之间存在依赖关系（DAG）

2. 2.      有的作业周期执行

3. 3.      有的作业需要定时执行

4. 4.      作业执行状态需要监控与报警（发邮件，短信）

这个时候就需要Oozie进行统一管理和调度

       HBase：Hadoop的数据库

              高可靠性

              高性能

              面向列

              良好的扩展性

组成：

Table表：类似传统数据中的表

ColumnFamily ：列族

       table在水平方向有一个或者多个Column Family组成

  一个column family 中可以由任意多个Column组成

RowKey：行键

              Table的主键

              Table中的记录按照RowKey排序

TimeStamp：时间戳

              每个行数据均对应一个时间戳

              版本号

       Zookeeper：它是一个为分布式应用提供一致性服务的软件，提供的功能包括：配置维护、域名服务、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。

覆盖范围：HDFS YARN Storm HBaseFlume Dubbo（阿里巴巴） Metaq（阿里巴巴）

       Sqoop：（数据同步工具）

       连接Hadoop与传统数据库之间的桥梁

       支持多种数据库，包括MySql、DB2等

       插拔式，用户可根据需要支持新的数据库

       本质上一个MapReduce程序：

       充分利用MapReduce分布式并行的特点MapReduce容错性

    Flume（日志搜集工具）：

    分布式

    高可靠性

    高容错性

    易于定制与扩展