零基礎搭建Hadoop大數(shù)據(jù)處理-初識

作者：歡醉 2017-05-05 09:53:34

Hadoop的學習不僅僅是學習Hadoop，還要學習Linux，網(wǎng)絡知識，Java、還有數(shù)據(jù)結構和算法等等，所以萬里長征才開始第一步，希望Hadoop學習不是從了解到放棄。

[[190392]]

在互聯(lián)網(wǎng)的世界中數(shù)據(jù)都是以TB、PB的數(shù)量級來增加的，特別是像BAT光每天的日志文件一個盤都不夠，更何況是還要基于這些數(shù)據(jù)進行分析挖掘，更甚者還要實時進行數(shù)據(jù)分析，學習，如雙十一淘寶的交易量的實時展示。

大數(shù)據(jù)什么叫大?4個特征：

體量化 Volume，就是量大。

多樣化 Variety，可能是結構型的數(shù)據(jù)，也可能是非結構行的文本，圖片，視頻，語音，日志，郵件等

快速化 Velocity，產(chǎn)生快，處理也需要快。

價值密度低 Value，數(shù)據(jù)量大，但單個數(shù)據(jù)沒什么意義，需要宏觀的統(tǒng)計體現(xiàn)其隱藏的價值。

可以看出想只要一臺強大的服務器來實時處理這種體量的數(shù)據(jù)那是不可能的，而且成本昂貴，代價相當大，普通的關系型數(shù)據(jù)庫也隨著數(shù)據(jù)量的增大其處理時間也隨之增加，那客戶是不可能忍受的，所以我們需要Hadoop來解決此問題。

優(yōu)點：

Hadoop是一個能夠讓用戶輕松架構和使用的分布式計算平臺。用戶可以輕松地在Hadoop上開發(fā)和運行處理海量數(shù)據(jù)的應用程序。它主要有以下幾個優(yōu)點：

高可靠性。Hadoop按位存儲和處理數(shù)據(jù)的能力值得人們信賴。

高擴展性。Hadoop是在可用的計算機集簇間分配數(shù)據(jù)并完成計算任務的，這些集簇可以方便地擴展到數(shù)以千計的節(jié)點中。

高效性。Hadoop能夠在節(jié)點之間動態(tài)地移動數(shù)據(jù)，并保證各個節(jié)點的動態(tài)平衡，因此處理速度非常快。

高容錯性。Hadoop能夠自動保存數(shù)據(jù)的多個副本，并且能夠自動將失敗的任務重新分配。

低成本。與一體機、商用數(shù)據(jù)倉庫以及QlikView、Yonghong Z-Suite等數(shù)據(jù)集市相比，hadoop是開源的，項目的軟件成本因此會大大降低。

Hadoop得以在大數(shù)據(jù)處理應用中廣泛應用得益于其自身在數(shù)據(jù)提取、變形和加載(ETL)方面上的天然優(yōu)勢。Hadoop的分布式架構，將大數(shù)據(jù)處理引擎盡可能的靠近存儲，對例如像ETL這樣的批處理操作相對合適，因為類似這樣操作的批處理結果可以直接走向存儲。Hadoop的MapReduce功能實現(xiàn)了將單個任務打碎，并將碎片任務(Map)發(fā)送到多個節(jié)點上，之后再以單個數(shù)據(jù)集的形式加載(Reduce)到數(shù)據(jù)倉庫里。

Hadoop在各應用中是最底層，最基礎的組件，所以其重要性不言而喻。

框架結構

Hadoop主要由HDFS ( 分布式文件系統(tǒng))和MapReduce (并行計算框架)組成。

Hadoop 由許多元素構成。其最底部是 Hadoop Distributed File System(HDFS)，它存儲 Hadoop 集群中所有存儲節(jié)點上的文件。HDFS(對于本文)的上一層是MapReduce 引擎，該引擎由 JobTrackers 和 TaskTrackers 組成。通過對Hadoop分布式計算平臺最核心的分布式文件系統(tǒng)HDFS、MapReduce處理過程，以及數(shù)據(jù)倉庫工具Hive和分布式數(shù)據(jù)庫Hbase的介紹，基本涵蓋了Hadoop分布式平臺的所有技術核心。

HDFS

對外部客戶機而言，HDFS就像一個傳統(tǒng)的分級文件系統(tǒng)。可以創(chuàng)建、刪除、移動或重命名文件，等等。但是 HDFS 的架構是基于一組特定的節(jié)點構建的，這是由它自身的特點決定的。這些節(jié)點包括 NameNode(僅一個)，它在 HDFS 內部提供元數(shù)據(jù)服務;DataNode，它為 HDFS 提供存儲塊。由于僅存在一個 NameNode，因此這是 HDFS 的一個缺點(單點失敗)。

存儲在 HDFS 中的文件被分成塊，然后將這些塊復制到多個計算機中(DataNode)。這與傳統(tǒng)的 RAID 架構大不相同。塊的大小(通常為 64MB)和復制的塊數(shù)量在創(chuàng)建文件時由客戶機決定。NameNode 可以控制所有文件操作。HDFS 內部的所有通信都基于標準的 TCP/IP 協(xié)議。

單節(jié)點物理結構

主從結構

主節(jié)點，只有一個: namenode

從節(jié)點，有很多個: datanodes

namenode負責：接收用戶操作請求、維護文件系統(tǒng)的目錄結構、管理文件與block之間關系，block與datanode之間關系

NameNode 是一個通常在 HDFS 實例中的單獨機器上運行的軟件。它負責管理文件系統(tǒng)名稱空間和控制外部客戶機的訪問。

datanode負責：存儲文件文件被分成block存儲在磁盤上、為保證數(shù)據(jù)安全，文件會有多個副本

MapReduce

MapReduce是處理大量半結構化數(shù)據(jù)集合的編程模型。編程模型是一種處理并結構化特定問題的方式。例如，在一個關系數(shù)據(jù)庫中，使用一種集合語言執(zhí)行查詢，如SQL。告訴語言想要的結果，并將它提交給系統(tǒng)來計算出如何產(chǎn)生計算。還可以用更傳統(tǒng)的語言(C++，Java)，一步步地來解決問題。這是兩種不同的編程模型，MapReduce就是另外一種。

MapReduce和Hadoop是相互獨立的，實際上又能相互配合工作得很好。

主從結構

主節(jié)點，只有一個: JobTracker

從節(jié)點，有很多個: TaskTrackers

JobTracker負責：接收客戶提交的計算任務、把計算任務分給TaskTrackers執(zhí)行、監(jiān)控TaskTracker的執(zhí)行情況

TaskTrackers負責：執(zhí)行JobTracker分配的計算任務

Hadoop能做什么?