Hadoop-1-Hadoop概述

什么是大数据

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、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

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4V特征：

1. Volume（量大）：存储量大，计算量大
2. Variety（多样）：来源多，格式多
3. Velocity（快速）：数据增长速度快，处理速度要求快
4. Value（价值）：价值密度低，和数据总量的大小成反比

Hadoop是什么

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通常是指一个更广泛的概念——Hadoop生态圈。

Hadoop发展历史

1. Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优化升级，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框架面对与Google同样的困难，存储海量数据困难，检索海量数据速度慢。

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：

   1. GFS -> HDFS
   2. Map-Reduce -> MR
   3. BigTable -> HBase

6. 2003-2004年，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作为Lucene的子项目Nutch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。

大数据的优势

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。

   例如：淘宝和京东，在双11、618等购物节，可以动态的增加服务器。

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：能够自动将失败任务重新分配。

Hadoop组成（重点）

Hadoop3.x的细节优化

• Java改为支持8及以上

• HDFS支持纠删码

• HDFS支持多NameNode

• MR任务级本地优化

• 多重服务默认端口变更

HDFS架构概述

Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。

节点类型分为三类：

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。
2. DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。
3. Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。

YARN架构概述

Yet Another Resource Negotiator简称YARN，另一种资源协调者，是Hadoop的资源管理器。

共有4个部分：

1. ResourceManager(RM)：整个集群资源（内存、CPU等）的老大。
2. NodeManager(NM)：单个节点服务器资源老大。
3. ApplicationMaster：单个任务运行的老大。
4. 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。

HDFS、YARN、MapReduce三者之间的关系