------------恢复内容开始------------
1、hadoop是什么？
2、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，他提供全文搜索
引擎架构，包括完整的查询引擎和索引引擎。
2）2001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 (g代表google) hadoop分布式文件系统
map-reduce-->mr
bigtable-->hbase
6）2003-2004 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成为lucene子项目nuntch的一部分正式引入apache基金会
8）2006年3月，map-reduce和nutch distributed file system(ndfs)分别被纳入hadoop的项目中
9）名字来源于doug cutting儿子的玩具大象
10）hadoop就此诞生并迅速发展，标志着大数据时代的来临
## 3.hadoop的优势
1）高可靠性：hadoop底层维护多个数据副本，所有即使hadoop某个计算元素出现故障，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的并行工作的，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
### 1.hadoop组成(解决数据和计算问题)
1）hadoop1.x和hadoop2.x的区别
1）hadoop1.x组成
mapreduce（计算和资源调度）
hdfs（数据存储）
common（辅助工具）
2）hadoop2.x组成
mapreduce（计算）
yarn(资源调度)
hdfs（数据存储）
common（辅助工具）
2.hdfs架构概述
1）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。（目录）
2）datanode(dn):在本地文件系统中存储文件块的数据，以及数据的校验和（目录下实实在在的数据）
3）secondary namenode(2nn):用来监控hdfs状态的辅助后台，每个一段时间间获取hdfs元数据的快照
3.yarn 架构概述
1）resourcemanager(rm)主要作用：
（1）处理客户端请求
（2）监控nodemanager
（3）启动或监控applicationmaster
（4）资源的分配与调度
2）nodemanger(nm)
（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
3）application
（1）负责数据的切分
（2）为应用程序申请资源并分配给内部任务
（3）任务的监控与容错
4）container
（1）container是yarn中的资源抽象，它是封装了某个节点上的多维度资源，如内存，cpu，磁盘，网络
4.mapreduce架构概述
1）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阶段是对map结果进行汇总
## 6.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
## 7.推荐系统项目架构
述](https://img-blog.csdnimg.cn/20200218231858193.png?x-oss-process=image/watermark,type_zmfuz3pozw5nagvpdgk,shadow_10,text_ahr0chm6ly9ibg9nlmnzzg4ubmv0l3fxxzmzmdy0mzq3,size_16,color_ffffff,t_70)
------------恢复内容结束------------
如对本文有疑问， 点击进行留言回复！！
去 HBase，Kylin on Parquet 性能表现如何？
如何找到Hive提交的SQL相对应的Yarn程序的applicationId
如何在 HBase Shell 命令行正常查看十六进制编码的中文？哈哈~
我要评论
网友评论