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。