2021-02-21 12:41:33

Hadoop入门教程(一):Hadoop 是什么 Hadoop 由什么组成


Hadoop入门教程(一):Hadoop 是什么 Hadoop 由什么组成

在上一大章节我们讲了大数据仓库的概念,我们了解了数仓的建设思想,接下来我们就开始让我们的思想慢慢变为现实,承载这一切的基础就是 Hadoop 生态圈中的各种大数据组件,慢慢形成我们的大数据仓库和平台。

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。注意它是基础架构,也就是说他是一个最底层的架构,单独使用它是做不了什么的。它提供了一个海量数据存储和分析计算的能力。广义上来说Hadoop这个词代表了Hadoop生态圈。

Hadoop三大发行版本

Apache Hadoop

Apache版本最原始(最基础)的版本,对于入门学习最好。

官网地址:http://hadoop.apache.org

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

Cloudera Hadoop

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。2009年 Hadoop 的创始人 Doug Cutting 也加盟 Cloudera 公司。Cloudera产品主要为CDH。

官网地址:https://www.cloudera.com/downloads/cdh.html

下载地址:https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html

Hortonworks

2011年成立的 Hortonworks 是雅虎与硅谷风投公司 Benchmark Capital 合资组建的。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。主打产品是Hortonworks Data Platform(HDP)。

Hadoop组成

Hadoop 在 1.X 和 2.x 版本有一些区别,Hadoop1.X 由Common(辅助工具)、HDFS(数据存储)、MapReduce(计算+调度)构成。

Hadoop2.x 由Common(辅助工具)、HDFS(数据存储)、Yarn(资源调度)、MapReduce(计算)构成。

Hadoop2.x 比 Hadoop1.X 多了一个 Yarn(资源调度),并且 MapReduce 只负责计算工作。

HDFS简介

Hadoop分布式文件系统(HDFS)是非常重要的核心功能,有着高容错性的特点,将文件分块存储在分布式的节点中,并且是冗余存储,即使单个节点发生灾难性事故,也不会丢失数据。

  • NameNode(nn):存储文件的元数据,如文件名,文件目录结构,文件属性,以及每个文件的块列表和块所在的DataNode。
  • DataNode(dn):在本地文件系统中存储文件块数据,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。

NameNode可以理解为数据的索引,DataNode存储数据本身,Secondary NameNode是索引的快照。由于这里只是简单介绍Hadoop,后续会详细讲解,此处不展开说了。

YARN简介

上面我们说了 Hadoop2.x 中增加了 Yarn(资源调度),那资源调度是在调度什么呢?在计算机中资源就是CPU和内存,CPU和内存都是有上限的,所以需要分配给更需要的进程来使用。

ResourceManager(RM)就是资源管理者,外部的客户端提交作业请求都会先到 ResourceManager(RM),他代表了集群所有的资源,并监控 NodeManager、启动或监控ApplicationMaster。

NodeManager(NM) 只管理一个节点的资源,处理来自ResourceManager(RM)的命令和来自ApplicationMaster的命令。

ApplicationMaster(AM)负责数据的切分、为应用程序申请资源分配内部任务和任务的监控容错。当一个任务提交到 ResourceManager(RM)时就会选择一个节点启动一个ApplicationMaster(AM)来负责这个任务的跟进,也就是对这个任务的一个负责人。也就是说有一个作业任务就会有对应的一个ApplicationMaster(AM)来跟进这个作业任务的执行和调度。

Container 是对资源的一个抽象封装,里面会包含内存、CPU、磁盘、网络等资源,NodeManager(NM) 就是通过打开和关闭 Container 来调度资源的。

MapReduce简介

MapReduce其实是两个部分,分为 Map 和 Reduce,可以说是一种思想和处理算法。

Map 负责将数据拆分成很多份,例如我们有100T的数据,在里面找一个数据,Map 就是先将这 100T数据拆分成一千份,每份100G,分发给各个节点,这样就将100T的数据转换成100G了,一千个节点同时查找提高效率。

Reduce 就是将上面拆分给一千个节点的查询结果汇总起来,把大家的结果收集起来,成为最终的结果。

这里只做开门见山的简单介绍,后面会详细说明,此处不展开说了。


商业用途请联系作者获得授权。
版权声明:本文为博主「任霏」原创文章,遵循 CC BY-NC-SA 4.0 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://www.renfei.net/posts/1003452
评论与留言
以下内容均由网友提交发布,版权与真实性无法查证,请自行辨别。

本站有缓存策略,时间约2小时后能看到您的评论。本站使用自动审核机制,如果您的内容包含广告/谩骂/恐怖/暴力/涉政等不和谐内容将无法展示!


本站有缓存策略,时间约2小时后能看到您的评论。本站使用自动审核机制,如果您的内容包含广告/谩骂/恐怖/暴力/涉政等不和谐内容将无法展示!

关注任霏博客
扫码关注「任霏博客」微信订阅号
微博:任霏博客网
Twitter:@renfeii
Facebook:任霏