Hadoop 大数据生态框架--总述_数字生态系统的架构图

1. 前言：什么是大数据？什么是分布式？

官方概念就不在这里赘述了，以笔者的理解，所谓大数据，不是指绝对数据量很大，经常有人说 PB，TB级大数据处理技术等等。试想如果未来的硬件性能有跨越式发展，常规软件就能在短时间内对 PB 级数据进行捕捉、管理和处理，那么 PB 级的数据还叫大数据吗？

所谓大数据，是相对于存储能力和计算能力来讲的，当数据规模大到一定程度时，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，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。

目前「分布式」是大数据场景的经典应用。当数据规模足够大，无法使用单台节点对齐处理时，那么就需要使用分布式技术来处理。分布式的核心思想就是「分而治之」。使用多个节点组成分布式系统，把海量数据切块，分发到不同的节点中，分别在不同的节点中进行存储，计算。使用分布式系统随之而来的问题就是分布式存储，分布式计算以及分布式通信。Hadoop是业界主流的开源分布式系统。

2. Hadoop 架构简述

Hadoop:由Apache基金会所开发的分布式系统基础架构，其主要目的为解决分布式系统的存储、计算以及资源问题。如下图所示：
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。

2.1 HDFS 架构概述

HDFS（Hadoop Distributed File System）即：Hadoop 分布式文件系统。负责分布式存储，其架构如图所示：

• 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)：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。

2.2 YARN 架构概述

YARN 是Hadoop的资源调度框架。架构如图所示：

2.3 MapReduce架构概述

MapReduce 负责分布式计算。其将计算过程分为两个阶段：Map和Reduce，如图所示：

• Map阶段并行处理输入数据
• Reduce阶段对Map结果进行汇总

2.4 Hadoop框架安装

详见搭建手册.

3. 大数据生态全景图

大数据技术生态体系如图：

各框架简述：

• 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。
• Kafka：Kafka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。
• Storm：Storm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。
• 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。
• Oozie：Oozie是一个管理Hdoop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。
• R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。
• Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
• ZooKeeper：Zookeeper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。