HibisciDai 主页关于我归档标签分类相册
Hadoop基础
|Hadoop
字数总计: 3.9k|阅读时长: 13 分钟

Hadoop基础

[TOC]

Hadoop基础

大数据概论

大数据概念

大数据( Big Data)：指无法在一定时间范围内用常规软件I具进行捕捉、管理和处理的数据集合, 是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的海量、高增长率和多样化的信息资产。

主要解决：海量数据的存储和海量数据的分析计算问题。

存储单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。

1Byte = 8bit
1K = 1024Byte
1MB = 1024K
1G = 1024M
1T = 1024G
1P = 1024T

大数据的特点

Volume-大量

截至目前，人类生产的所有印刷材料的数据量是200PB，而历史上全人类总共说过的话的数据量大约是5EB。当前，典型个人计算机硬盘的容量为TB量级，而一些大企业的数据量已经接近EB量级。

Velocity-高速

这是大数据区分于传统数据挖掘的最显著特征。根据IDC的”数字宇宙”的报告，预计到2020年，全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。

Variety-多样

这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以数据库文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。

Value-低价值密度

价值密度的高低与数据总量的大小成反比。比如，在一天监控视频中，我们只关心宋宋老师晚上在床上健身那一分钟，如何快速对有价值数据”提纯”成为目前大数据背景下待解决的难题。

大数据应用场景

物流仓储：大数据分析系统助力商品精细化运营、提升销量、节约成本。
零售：分析用户消费习惯，为用户购买商品提供方便，从而提升商品销量。
旅游：深度结合大数据能力与旅游行业需求，共建旅游产业智慧管理、智慧服务和智慧营销的未来。
商品广告推荐：给用户推荐可能喜欢的商品。
保险：海量数据挖掘及风险预测，助力保险行业精准营销，提升精细化定价能力。
金融：多维度体现用户特征，帮助金融机构推荐优质客户，防范欺诈风险。
房产：大数据全面助力房地产行业，打造精准投策与营销，选出更合适的地，建造更合适的楼，卖给更合适的人。
人工智能

大数据的发展前景

党的十八大提出“实施国家大数据战略”，国务院印发《促进大数据发展行动纲要》，大数据技术和应用处于创新突破期，国内市场需求处于爆发期,我国大数据产业面临重要的发展机遇。

党的十九大提出”推动互联网、大数据、人工智能和实体经济深度融合”。

国际数据公司IDC预测，到2020年，企业基于大数据计算分析平台的支出将突破5000亿美元。目前，我国大数据人才只有46万，未来3到5年人才缺口达150万之多。

2017年北京大学、中国人民大学、北京邮电大学等25所高校成功申请开设大数据课程。

大数据属于高新技术，大牛少，升职竞争小。

大数据部门业务流程分析※

产品人员提出需求（统计总用户数、日活跃用户数、回流用户数）。

数据部门搭建数据平台、分析数据指标。

数据可视化（报表展示、邮件发送、大屏幕展示等）

大数据部门组织结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
graph TD
	A[大数据部门组织结构] --> B[平台组]
		B[平台组] --> B1[Hadoop/Flume/kafka/HBase/Spark等框架平台搭建]
		B[平台组] --> B2[集群性能监控]
		B[平台组] --> B3[集群性能调优]
	A[大数据部门组织结构] --> C[数据仓库组]
		C[数据仓库组] --> C1[ETL工程师-数据清洗]
		C[数据仓库组] --> C2[Hive工程师-数据分析/数据仓库建模]
	A[大数据部门组织结构] --> D[数据挖掘组]
		D[数据挖掘组] --> D1[算法工程师]
		D[数据挖掘组] --> D2[推荐系统工程师]
		D[数据挖掘组] --> D3[用户画像工程师]
	A[大数据部门组织结构] --> E[报表开发组]
		E[报表开发组] --> E1[JavaEE工程师]

从Hadoop框架讨论大数据生态

Hadoop是什么

  • Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
  • 主要解决，海量数据的存储和海量数据的分析计算问题。
  • 广义上来说，Hadoop通常是指一个更广泛的概念

Hadoop发展历史

  • 1)Lucene框架是Doug Cutting开创的开源软件，用Java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引|擎的架构，包括完整的查询引|擎和索引引擎。

Hadoop创始人Doug Cutting

  • 2) 200 l年年底Lucene成为Apache基金会的一个子项目。

  • 3)对于海量数据的场景，Lucene面对与Google同样的困难， 存储数据困难，检索速度慢。

  • 4)学习和模仿Google解决这些问题的办法：微型版Nutch。

  • 5)可以说Google是Hadoop的思想之源(Google在大数据方面的三篇论文)。

GFS —-> HDFS
Google File System中文版

Map-Reduce —> MR
Google MapReduce中文版

BigTable —> HBase
Google Bigtable

  • 6) 2003-2004年， Google公开 了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了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月份，Map-Reduce和Nutch Distibuted File System (NDFS)分别被纳入到Hadoop项目中，Hadoop就此正式诞生，标志着大数据时代来临。

  • 9)名字来源于Doug Cutting儿子的玩具大象。

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。（版本手动配置）
Cloudera在大型互联网企业中用的较多。(收费，cbh版本兼容)
Hortonworks文档较好。

Apache版本

Apache版本官网地址
Apache版本下载地址

Cloudera版本

Cloudera版本官网地址
Cloudera版本下载地址

  • （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。

Hortonworks版本

Hortonworks版本官网地址
Hortonworks版本下载地址

  • （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。

Hadoop的优势（4高）

  • 1)高可靠性: Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。

  • 2)高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。

  • 3)高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理，速度。

  • 4)高容错性：能够自动将失败的任务重新分配。

Hadoop组成（面试重点）

Hadoop1.x和Hadoop2.x区别

Hadoop1.x组成：

1
2
3
4
graph TB
    A[MapReduce-计算+资源调度]
    B[HDFS-数据存储]
    C[Common-辅助工具]

Hadoop2.x组成：

1
2
3
4
5
graph TB
    A[MapReduce-计算]
    B[Yarn-资源调度]
    C[HDFS-数据存储]
    D[Common-辅助工具]

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。

HDFS架构概述

HDFS（Hadoop Distributed File System）的架构概述。

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)

用来金控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。

YARN架构概述

ResourceManager(RM)

  • (1)处理客户端请求
  • (2)监控NodeManager
  • (3)启动或监控ApplicationMaster(运行任务)
  • (4)资源的分配与调度
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
graph LR
	A1(Client1)
	A2(Client2)
		subgraph 节点1
		B[Resource Manager]
		end
		
		A1(Client1) --> |Job Submission作业提交| B[Resource Manager]
		A2(Client2) --> |Job Submission作业提交| B[Resource Manager]
		
		subgraph 节点2
		D1[Node Manager2]
		F1(App Mstr2)
		end
		
		D1[Node Manager2] --> |Node Status节点状态| B[Resource Manager]
		F1(App Mstr2) --> |MapReduce Status MR状态| B[Resource Manager]
		
		subgraph 节点3
		D2[Node Manager3]
		E2(App Mstr3)
		end
		
		D2[Node Manager3] --> |Node Status节点状态| B[Resource Manager]
		E2(App Mstr2) --> |Resource Request资源请求| B[Resource Manager]
		
		subgraph 节点4
		D3[Node Manager4]
		end
		
		D3[Node Manager4] --> |Node Status节点状态| B[Resource Manager]

NodeManager(NM)

某一台机器

  • (1)管理单个节点上的资源
  • (2)处理来自ResourceManager的命令
  • (3)处理来自ApplicationMaster的命令

ApplicationMaster(AM)

某一个任务

  • (1)负责数据的切分
  • (2)为应用程序申请资源并分配给内部的任务
  • (3)任务的监控与容错

Container

YARN中的资源抽象，它封装了某个节点上的多纬度资源，如内存、CPU、磁盘、网络等。

流程图架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
graph LR
	A1(Client1)
	A2(Client2)
		subgraph 节点1
		B[Resource Manager]
		end
		
		A1(Client1) --> |Job Submission作业提交| B[Resource Manager]
		A2(Client2) --> |Job Submission作业提交| B[Resource Manager]
		
		subgraph 节点2
		D1[Node Manager1]
		E1(Container)
		F1(App Mstr)
		end
		
		D1[Node Manager1] --> |Node Status节点状态| B[Resource Manager]
		F1(App Mstr2) --> |MapReduce Status MR状态| B[Resource Manager]
		E1(Container) --> E2(App Mstr)
		
		subgraph 节点3
		D2[Node Manager1]
		E2(App Mstr)
		F2(Container)		
		end
		
		D2[Node Manager1] --> |Node Status节点状态| B[Resource Manager]
		E2(App Mstr2) --> |Resource Request资源请求| B[Resource Manager]
		F2(Container) --> F1(App Mstr)
		
		subgraph 节点4
		D3[Node Manager1]
		E3(Container)
		F3(Container)
		end
		
		D3[Node Manager1] --> |Node Status节点状态| B[Resource Manager]
		E3(Container) --> E2(App Mstr)
		F3(Container) --> E2(App Mstr)

MapReduce架构

MapReduce将计算过程分为两个阶段：Map和Reduce。

  • (1)Map阶段并行处理输入数据
  • (2)Reduce阶段对Map结果进行汇总
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
graph LR
	subgraph 待分析数据
		A(100T)
		E[xxx_hibiscidai.ppt]
		F[xxx_hibiscidai.excel]
		D[xxx_hibiscidai.docx]
		G[... ... ]
	end
	
	A(100T) --> |Map| B1[hadoop101]
	A(100T) --> |Map| B2[hadoop102]
	A(100T) --> |Map| B3[hadoop103]
	A(100T) --> |Map| B4[hadoop104]
	A(100T) --> |Map| B5[... ...]
	
	subgraph 节点
		B1[hadoop101]
		B2[hadoop102]
		B3[hadoop103]
		B4[hadoop104]
		B5[... ...]
	end
	
	B1[hadoop101] --> |Reduce| C[520M]
	B2[hadoop102] --> |Reduce| C[520M]
	B3[hadoop103] --> |Reduce| C[520M]
	B4[hadoop104] --> |Reduce| C[520M]
	B5[... ...] --> |Reduce| C[520M]
	
	subgraph 汇总服务器
		C(520M)
		D2[xxx_hibiscidai.docx]
	end

大数据技术生态体系

图中涉及的技术名词解释如下：

  • 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。存储键值对。

  • 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。

  • 9）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。

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

  • 11）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。

推荐系统框架图

文章作者: HibisciDai
文章链接: http://hibiscidai.com/2020/07/09/Hadoop基础/
版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 HibisciDai！
学习笔记Hadoop大数据
好用、实惠、稳定的梯子,点击这里