大数据
大数据(Big Data):指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现里和流程优化能力的海量、高增长率和多样化的信息资产。通常都是 TB、PB、EB级别的数据。
大数据主要解决海量数据的采集、存储和分析计算问题。
大数据的特点(4V):
- 大量(Volume)
- 高速(Velocity)
- 多样(Variety)
- 低价值密度(Value)
Hadoop概述
Hadoop 是由Apache基金会所开发的分布式系统基础架构。
主要解决海量数据的存储和海量数据的分析计算。
官网地址:https://hadoop.apache.org/
图标:
通常说的Hadoop,一般指广义上的Hadoop,即Hadoop生态圈,包括Hbase、Hive、ZooKeeper等。
根据谷歌在大数据方面的三篇论文,做出来的三个开源架构:
- GFS(《The Google file system》):Hadoop中的HDFS
- Map-Reduce(《MapReduce:Simplified Data Processing on Large Clusters》):Hadoop中的MapReduce
- BigTable(《Bigtable:A Distributed Stprage System for Structured Data》):HBase
Hadoop优势:
- 高可靠性:
Hadoop底层维护多个数据副本,所以即使Hadoop某个计算元素或者存储出现故障,也不会导致数据丢失。 - 高扩展性:
在集群间分配任务数据,可以方便的扩展数以千计的节点。 - 高效性:
在MapReduce的思想下,Hadoop是并行工作的,以加快处理速度。 - 高容错性:
能够自动将失败的任务重新分配。
Hadoop发展历程
Hadoop创始人Doug Cutting为了实现全文检索功能,在Lucene框架基础上进行升级,做出了微型版Nutch。
后来根据谷歌的三篇论文,加上谷歌公开的部分思想细节,Doug Cutting在Nutch中实现了 DFS和MapReduce机制。Hadoop作为Lucene子项目Nutch一部分被引入Apache。
再后来,MapReduce和NDFS(Nutch Distributed File Syetem)被纳入Hadoop项目中,Hadoop正式诞生。标志着大数据时代来临。
Hadoop的名字来自于 Doug Cutting儿子玩具大象的名字。
Hadoop 发行版本
Hadoop的三大发行版本:
- Apache版本(原始基础版) :开源、免费,适合入门学习
- Cloudera版本(CDH产品):内部集成了很多大数据框架
- Hortonworks版本(HDP产品):文档比较好
Hortonworks已经被Cloudera公司收购,推出新的 CDP产品。
Hadoop组成
Hadoop 1.x 的结构图:
Hadoop 2.x组成:
在Hadoop 1.x时代,Hadoop中的MapReduce同事处理业务逻辑运算和资源的调度,耦合性较大。
在Hadoop 2,.x时代,增加了Yarn。Yarn只负责资源的调度,MapReduce只负责运算。
Hadoop 3.x在组成上没有变化,,着重于性能的一些优化。
HDFS
HDFS(Hadoop Distributed File System),简称HDFS,是一个分布式文件系统。
HDFS的组成:
- NameNode(简称 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。 - DataNode(简称 DN ):
在本地文件系统存储文件块数据,以及块数据的校验和。 - Secondary NameNode(简称 2NN ):
每隔一段时间对NameNode元数据备份。
Hadoop 1.x时会使用2NN对NN进行备份。但是后来的Hadoop版本中,企业一般会将NN搭建成高可用集群(一台active的NN,一台standby的NN),而不再使用2NN。
YARN
YARN(Yet Another Resource Negotiator),简称YARN,另一种资源协调者,是Hadoop的资源管理器。
YARN架构图::
其中:
- client客户端可以有多个
- 集群上可以运行多个ApplicationManager
- 每个NodeManager上可以有多个Container
YARN的组成:
- ResourceManager(简称 RM ):
整个集群资源(内存、CPU等)的管理者 - NodeManager(简称 NM ):
管理单个节点服务器的CPU、内存等 - ApplicationMaster(简称 AM ):
管理单个任务运行 - Container:
容器,相当于一台独立的服务器,里面封装了任务运行所需要的资源,如内存、CPU、磁盘、网络等
MapReduce
MapReduce将计算过程分为两个阶段:Map和Reduce。
- Map阶段并行处理输入数据
- Reduce阶段对map结果进行汇总
结构图:
三者调用关系
整体调用结构图:
大数据技术生态体系:
包括数据的收集传递、存储、资源的管理、计算、任务调度、业务应用等层次。
整体架构图:
其中:
- Sqoop:是一款开源的工具,主要用于在Hadoop、Hive与传统数据库(Mysql、Oracle)之间进行数据的传递,可以将一个关系型数据库中的数据导进HDFS中,也可以将HDFS的数据导入关系型数据库中
- 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
- Kafka:是一种高吞吐量的分布式发布订阅消息系统
- 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
- 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比较多
- Oozie:是一个管理Hadoop作业(job)的工作流程调度管理系统
- 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
- 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任务进行执行。可以通过类似SQL语句来快速实现简单的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
- ZooKeeper: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