Hadoop简介

 

一.hadoop介绍

1. HADOOP是apache旗下的一套开源软件平台
2. HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理
3. HADOOP的核心组件有
   1. HDFS（分布式文件系统）
   2. YARN（运算资源调度系统）
   3. MAPREDUCE（分布式运算编程框架）
4. 广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈

二.hadoop产生背景

　  1.HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

     2.2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案——分布式文件系统（GFS），可用于处理海量网页的存储——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

     3.Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

三.hadoop重要组件

　　HDFS：分布式文件系统

　　MAPREDUCE：分布式运算程序开发框架

　　HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具

　　HBASE：基于HADOOP的分布式海量数据库

　　ZOOKEEPER：分布式协调服务基础组件

　　Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库

　　Oozie：工作流调度框架

　　Sqoop：数据导入导出工具

　　Flume：日志数据采集框架

四.hadoop常见项目处理流程

　　

　　1.数据采集：定制开发采集程序，或使用开源框架FLUME

　　2.数据预处理：定制开发mapreduce程序运行于hadoop集群

　　3.数据仓库技术：基于hadoop之上的Hive

　　4.数据导出：基于hadoop的sqoop数据导入导出工具

　　5.数据可视化：定制开发web程序或使用kettle等产品

　　6.整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品