塘沽网站建设,购物小程序制作,建设网站学什么时候开始,义乌外发饰品加工网第2章 从Hadoop框架讨论大数据生态
2.1 Hadoop是什么
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。主要解决#xff0c;海量数据的存储和海量数据的分析计算问题。广义上来说#xff0c;Hadoop通常是指一个更广泛的概念-Hadoop生态圈。 2.2 Hadoop发展历史
1海量数据的存储和海量数据的分析计算问题。广义上来说Hadoop通常是指一个更广泛的概念-Hadoop生态圈。 2.2 Hadoop发展历史
1Lucene框架是Doug Cuting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提供了全文检索引擎的架构包括完整的查询引擎和索引引擎。 22001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)
62003-2004年Google公开了部分GES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和和MapReduce机制使Nutch性能朝升。
72005年Hadoop 作为 Lucene的子项目 Nutch的一部分正式入Apache基金会
82006年3月份Map-Reduce和Nutch Distributed File System NDES)分别被纳入到Hadoop 项目中Hadoop就此正式诞生标志着大数据时代来临。
9名字来源于Doug Cutting儿子的玩具大象如下图 2.3 Hadoop三大发行版本
Hadoop三大发行版本Apache、Cloudera、Hortonworks。
Apache版本最原始最基础的版本对于入门学习最好。
Cloudera在大型互联网企业中用的较多。
Hortonworks文档较好。
1、Apache Hadoop
官网地址http://hadoop.apache.org/releases.html
下载地址https://archive.apache.org/dist/hadoop/common/
2、Cloudera Hadoop
官网地址https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址http://archive-primary.cloudera.com/cdh5/cdh/5/
12008年成立的Cloudera是最早将Hadoop商用的公司为合作伙伴提供Hadoop的商用解决方案主要是包括支持、咨询服务、培训。
22009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDHCloudera ManagerCloudera Support
3CDH是Cloudera的Hadoop发行版完全开源比Apache Hadoop在兼容性安全性稳定性上有所增强。
4Cloudera Manager是集群的软件分发及管理监控平台可以在几个小时内部署好一个Hadoop集群并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。
5Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。
3、Hortonworks Hadoop
官网地址https://hortonworks.com/products/data-center/hdp/
下载地址https://hortonworks.com/downloads/#data-platform
12011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
2公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师上述工程师均在2005年开始协助雅虎开发Hadoop贡献了Hadoop80%的代码。
3雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。
4Hortonworks的主打产品是Hortonworks Data PlatformHDP也同样是100%开源的产品HDP除常见的项目外还包括了Ambari一款开源的安装和管理系统。
5HCatalog一个元数据管理系统HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的易于使用的沙盒。
6Hortonworks开发了很多增强特性并提交至核心主干这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的Microsoft Windows平台上本地运行。定价以集群为基础每10个节点每年为12500美元。
2.4 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速度。
4高容错性能够自动将失败的任务重新分配。
2.5 Hadoop组成面试重点 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。
2.5.1 HDFS架构概述
HDFSHadoop Distributed File System的架构概述如下图所示。
1NameNode (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。 2DataNode(dn)在本地文件系统存储文件块数据以及块数据的校验和。 3Secondary NameNode(2nn)用来监控HDFS状态的辅助后台程序每隔一段时间获取HDFS元数据的快照。
2.5.2 YARN架构概述
YARN架构概述如下图所示 2.5.3 MapReduce架构概述
MapReduce将计算过程分为两个阶段Map和Reduce如下图所示
1Map阶段并行处理输入数据
2Reduce阶段对Map结果进行汇总 2.6大数据技术生态体系
大数据技术生态体系如下图所示。 图中涉及的技术名词解释如下
1SqoopSqoop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MySQLOracle 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。
2FlumeFlume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。
3KafkaKafka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。
4StormStorm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。
5SparkSpark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。
6OozieOozie是一个管理Hdoop作业job的工作流程调度管理系统。
7HbaseHBase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。
8HiveHive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。
10R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。
11MahoutApache Mahout是个可扩展的机器学习和数据挖掘库。
12ZooKeeperZookeeper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。
2.7 推荐系统框架图
推荐系统项目架构如下图所示。
