大数据之 Hadoop-1-快速入门

一、Hadoop是什么

1、简介

（1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
（2）主要解决，海量数据的存储和海量数据的分析计算问题。
（3）广义上来说，Hadoop通常是指一个更广发的概念-Hadoop生态圈。

总的来说，hadoop的思路比较简单(map-reduce)，就是将任务分开进行，最后汇总。但这个思路实现起来，比较复杂，但相对于几年前Intel等硬件公司提出的网格运算等方式，显得更加开放。

2、大数据部门组织结构（重点）

大数据部门组织结构，适用于大中型企业，如下图所示。

3、Hadoop的优势（4高）

1）、高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，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是并行工作的，以加快任务处理的速度。
4）、高容错性：能够自动将失败的任务重新分配

二、Hadoop1.x和Hadoop2.x区别

在Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性比较大，在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算。

三、HDFS架构概述

HDFS（Hadoop Distributed File System）的架构概述，如下图所示。

四、YARN架构概述

YARN架构概述，如下图所示。

四、MapReduce架构概述

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阶段对Map结果进行汇总

五、大数据生态体系

图中涉及的技术名词解释如下：
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；
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
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）Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
7）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
8）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。
9）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）ZooKeeper：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。

综合应用：
推荐系统项目结构

为者常成，行者常至