Hadoop基本概念

Hadoop是一個(gè)是個(gè)海量數(shù)據(jù)的分布式存儲(chǔ)和計(jì)算平臺(tái)

  對(duì)于數(shù)據(jù)，我們大致可以將其分為三類：

                         結(jié)構(gòu)化數(shù)據(jù)（對(duì)于結(jié)構(gòu)化數(shù)據(jù)的處理可以通過(guò)RDBMS處理，通過(guò)將搜索碼創(chuàng)建為索引頁(yè)可以實(shí)現(xiàn)很快的查詢速度）

                        半結(jié)構(gòu)化數(shù)據(jù)（一般可以使用類型XML進(jìn)行標(biāo)記處理）

                         非結(jié)構(gòu)化數(shù)據(jù)

其實(shí)，非結(jié)構(gòu)化數(shù)據(jù)會(huì)占據(jù)相當(dāng)大的比重，非機(jī)構(gòu)化數(shù)據(jù)的存儲(chǔ)和計(jì)算也變得比較困難。

  Hadoop的靈感來(lái)自于Google的兩篇論文，包括MapReduce，我們可以將Hadoop理解為是MapReduce的開(kāi)源實(shí)現(xiàn)，Hadoop是由java語(yǔ)言編寫(xiě)的。

  首先，對(duì)于海量數(shù)據(jù)，需要完成對(duì)其進(jìn)行存儲(chǔ)然后進(jìn)行就算，分析。

HDFS：Hadoop分布式文件系統(tǒng)

MapReduce：Hadoop用于完成并行數(shù)據(jù)處理的框架

 可以理解為Hadoop=HDFS+MapReduce，也就是可以理解為一個(gè)Hadoop集群就是一個(gè)HDFS集群加上一個(gè)MapReduce集群。

HDFS如何完成分布式存儲(chǔ)：

   HDFS集群中一般會(huì)有一個(gè)主節(jié)點(diǎn)（在Hadoop的新版本中，已經(jīng)實(shí)現(xiàn)有多個(gè)主節(jié)點(diǎn)），稱之為NameNode（簡(jiǎn)稱為NN）

   HDFS中會(huì)有n個(gè)從節(jié)點(diǎn)，稱之為DataNode（DN）

實(shí)際完成數(shù)據(jù)存儲(chǔ)的都是數(shù)據(jù)節(jié)點(diǎn)，而NameNode主要是用于將數(shù)據(jù)分塊，分塊之后再分配給數(shù)據(jù)節(jié)點(diǎn)進(jìn)行存儲(chǔ)，另外，NameNode用于接收用戶請(qǐng)求，管理從節(jié)點(diǎn)，維護(hù)文件系統(tǒng)的目錄結(jié)構(gòu)，管理文件與Block之間的關(guān)系，block與數(shù)據(jù)節(jié)點(diǎn)之間的關(guān)系，從而完成分布式存儲(chǔ)海量數(shù)據(jù)的目的。

HDFS的特性：HDFS設(shè)計(jì)用于存儲(chǔ)大文件，對(duì)于海量小文件的存儲(chǔ)不太適用

        HDFS是用戶空間的文件系統(tǒng)（其實(shí)數(shù)據(jù)最終還是存儲(chǔ)在諸如ext3文件系統(tǒng)上，只不過(guò)需要經(jīng)過(guò)HDFS的又一次對(duì)數(shù)據(jù)進(jìn)行抽象）

        HDFS不支持修改數(shù)據(jù)（新版本支持追加）

        不支持掛載并通過(guò)系統(tǒng)調(diào)用進(jìn)行訪問(wèn)，只能使用專用訪問(wèn)借口，例如專用的命令行工具，API

MapReduce，一般提到MapReduce，其有三個(gè)含義：

                            編程模型

                            運(yùn)算框架

                           MapReduce編程思想的具體實(shí)現(xiàn)工具

MapReduce的思想大致就是分為兩個(gè)階段：Map和Reduce

           Map就是將對(duì)一個(gè)大文件的處理分割成塊進(jìn)行計(jì)算，實(shí)現(xiàn)分布式

           Reduce就是將對(duì)各個(gè)塊的計(jì)算結(jié)果再進(jìn)行匯總

對(duì)數(shù)據(jù)計(jì)算其實(shí)就是提取Key-Value的方式，在進(jìn)行Map之后交由Reduce的時(shí)候，必須要將同一個(gè)Key提取的內(nèi)容發(fā)送至同一個(gè)Reduce進(jìn)程進(jìn)行最后的合并

對(duì)于數(shù)據(jù)的計(jì)算，需要處理人員按照MapReduce的編程模型結(jié)合對(duì)數(shù)據(jù)的處理目的編寫(xiě)MapReduce程序，所以對(duì)于海量數(shù)據(jù)的計(jì)算在HDFS+MapReduce結(jié)合上有著極大的限制性。

  Hadoop同時(shí)也有很多的組件，從而構(gòu)成了Hadoop的生態(tài)系統(tǒng)：

HDFS+MapReduce構(gòu)成了Hadoop的核心：

  Hive：Hive是由Facebook開(kāi)發(fā)的，Hive將整個(gè)MapReduce提供的框架抽象為一個(gè)系統(tǒng)，當(dāng)用戶想要就行查詢等操作的時(shí)候，就可以想Hive提交一個(gè)SQL語(yǔ)句，然后由Hive實(shí)現(xiàn)將用戶便于理解的SQL語(yǔ)句轉(zhuǎn)換成為一個(gè)MapReduce程序執(zhí)行，最后向用戶輸出結(jié)果（可以理解成Hive提供了一個(gè)SQL接口，但是并不和SQL完全兼容）

  Hbase：由于HDFS不能掛載，也不能修改數(shù)據(jù)，當(dāng)Hbase工作在HDFS之上的時(shí)候，構(gòu)成一個(gè)Hbase集群，在Hbase的節(jié)點(diǎn)上再啟動(dòng)一個(gè)進(jìn)程，這時(shí)數(shù)據(jù)可以先存在Hbase上，然后再由Hbase將其存入HDFS，并且Hbase對(duì)數(shù)據(jù)記錄有版本號(hào)，實(shí)現(xiàn)了對(duì)數(shù)據(jù)進(jìn)行修改

  在很多情況下，我們需要對(duì)例如web服務(wù)器集群產(chǎn)生的日志進(jìn)行分析計(jì)算，那么如何將web服務(wù)器產(chǎn)生的日志存儲(chǔ)到HDFS上，首先，HDFS不能被掛載，所以就不能像對(duì)待一本文件系統(tǒng)沒(méi)那個(gè)一樣對(duì)其進(jìn)行寫(xiě)入，這就是Flume，scrib這些日志收集工具實(shí)現(xiàn)將日志存儲(chǔ)到HDFS上的。

  同上，很多情況下可能需要借助于集群的威力對(duì)存儲(chǔ)在RDBMS上的數(shù)據(jù)進(jìn)行分析計(jì)算和挖掘，那么如何將RDBMS中的數(shù)據(jù)導(dǎo)入到HDFS上，就是有Sqoop工具實(shí)現(xiàn)的，可以將數(shù)據(jù)用Sqoop從RDBMS導(dǎo)出，先存儲(chǔ)到Hbase上，再由Hbase實(shí)現(xiàn)存儲(chǔ)到HDFS上，之后就可以通過(guò)編寫(xiě)的MapReduce程序?qū)?shù)據(jù)進(jìn)行運(yùn)算

  MAhost就是用于數(shù)據(jù)挖掘，也就是機(jī)器學(xué)習(xí)的工具

 Zookeeper：可以理解其就是一個(gè)協(xié)調(diào)器，監(jiān)控集群上的各個(gè)節(jié)點(diǎn)是否能夠符合集群的要求

Hadoop在HDFS提供改良數(shù)據(jù)存儲(chǔ)的方案上表現(xiàn)還是比較出色的，但是MapReduce的計(jì)算能力就稍有遜色，可以結(jié)合第二代大數(shù)據(jù)解決方案spark，使用HDFS完成海量數(shù)據(jù)的分布式存儲(chǔ)，有spark提供對(duì)海量數(shù)據(jù)的運(yùn)算