Hadoop

Hadoop是一个由Apache基金会所开发的分布式系统基础架构

Hadoop通常是指一个更广泛的概念——Hadoop生态圈

Hadoop 三大发行版本： Apache、 Cloudera、 Hortonworks （被收购）

注意：Hadoop1.x、 2.x、 3.x的区别（计算和资源调度）

HDFS架构

• 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
• 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
• Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份

YARN架构

• ResourceManager（RM）：整个集群资源（内存、 CPU等）
• NodeManager（NM）：单个节点服务器资源
• ApplicationMaster（AM）：单个任务运行资源
• Container：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

• Map 阶段并行处理输入数据
• Reduce 阶段对 Map 结果进行汇总

HDFS、 YARN、 MapReduce 关系

大数据生态体系概述

• 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。
• 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；
• Kafka： Kafka 是一种高吞吐量的分布式发布订阅消息系统
• 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。
• 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。
• Oozie： Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。
• 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。
• 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。
• 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。