hadoop概述_hadoop是什么开发的

一、hadoop是什么

hadoop是apache基金会开发的分布式计算的开源软件，主要解决海量数据的存储于计算问题，hadoop其实是一个生态圈，如下图：

二、hadoop发展史

1. Lucene框架是Doug Cutting开创的开源软件，用java实现，是一款与google类似的全文搜索引擎；
2. 2001年Lucene成为Apache基金会的一个子项目；
3. 对于海量数据的场景，Lucene遇到与google同样的困难，存储数据困难，搜索缓慢；
4. 学习模仿google的解决方案，微型版Nutch诞生；
5. Hadoop起源于Google的三大论文为hadoop的思想之源
6. 2003-2004年，Google公布了部分GFS和MapReduce思想的细节，受此启发的Doug Cutting等人用2年的业余时间实现了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，MapReduce与NDFS分别纳入到hadoop项目中，hadoop就此诞生，标志着大数据时代的到来，hadoop名字来源于Doug Cutting儿子毛绒玩具象命名的。                                                                                                                                                                                                                                                          

    总结起来，Hadoop起源于Google的三大论文，成长过程为Lucene–>Nutch—>Hadoop

    GFS—->HDFS
    Google MapReduce—->Hadoop MapReduce
    BigTable—->HBase

三、Hadoop发行版本

   Hadoop三大发行版本：Apache、Cloudera、Hortonworks。

   Apache版本最原始（最基础）的版本，对于入门学习最好。

   Cloudera在大型互联网企业中用的较多。

   Hortonworks文档较好。

  1.Apache Hadoop

     官网地址：http://hadoop.apache.org/releases.html

    下载地址：https://archive.apache.org/dist/hadoop/common/

   2.Cloudera Hadoop

     官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html

     下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/

     （1） 2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。

     （2） 2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support

     （3）  CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。

     （4） Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。

     （5）   Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。

  3. Hortonworks Hadoop

     官网地址：https://hortonworks.com/products/data-center/hdp/

     下载地址：https://hortonworks.com/downloads/#data-platform

   （1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。

   （2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。

   （3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。

   （4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。

    （5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。

    （6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Window Server和Windows Azure  在内的Microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。

四、Hadoop的四大特性

 高扩展性（Scalable）：在集群间分配任务数据，可方便的扩展以千计的节点；

 低成本（Economical）：Hadoop通过普通廉价的机器组成服务器集群来分发以及处理数据，以至于成本很低；

 高效性（Efficient）：通过并发数据，Hadoop可以在节点之间动态并行的移动数据，使得速度非常快；

 高可靠性（Rellable）：hadoop底层维护多个副本，所以hadoop不会导致数据丢失，并且可以将失败的任务重新分配。

五、Hadoop组成（Hadoop2.x）

Hadoop Common：支持其他Hadoop模块的通用实用程序。

Hadoop分布式文件系统（HDFS™）：一种分布式文件系统，可提供对应用程序数据的高吞吐量访问。

Hadoop YARN：用于作业调度和群集资源管理的框架。

Hadoop MapReduce：基于YARN的系统，用于并行处理大数据集。
 

六、hadoop1.x与hadoop2.x的区别

     Hadoop1.x时代Hadoop的MapReduce同时处理业务逻辑运算与资源调度，耦合性较大，Hadoop2.x时代增加了Yarn，Yarn只负责资源调度，MapReduce只负责运算。

七、大数据技术生态体系

 

1）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。

2）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。

3）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。

4）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。

5）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。

6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。

7）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。

8）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。

10）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。

11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。

12）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。