Hadoop生态圈介绍

【问】hadoop在生产环境下综合斟酌的的数据块副本数多少

1. hadoop 生态概况

Hadoop是1个由Apache基金会所开发的散布式系统基础架构。

用户可以在不了解散布式底层细节的情况下，开发散布式程序。充分利用集群的威力进行高速运算和存储。

具有可靠、高效、可伸缩的特点。

Hadoop的核心是YARN,HDFS和Mapreduce

下图是hadoop生态系统，集成spark生态圈。在未来1段时间内，hadoop将于spark共存，hadoop与spark

都能部署在yarn、mesos的资源管理系统之上

下面将分别对以上各组件进行扼要介绍，具体介绍参见后续系列博文。

2、HDFS（Hadoop散布式文件系统）

源自于Google的GFS论文，发表于2003年10月，HDFS是GFS克隆版。

HDFS是Hadoop体系中数据存储管理的基础。它是1个高度容错的系统，能检测和应对硬件故障，用于在低本钱的通用硬件上运行。

HDFS简化了文件的1致性模型，通过流式数据访问，提供高吞吐量利用程序数据访问功能，合适带有大型数据集的利用程序。

它提供了1次写入屡次读取的机制，数据以块的情势，同时散布在集群不同物理机器上。

3、Mapreduce（散布式计算框架）

源自于google的MapReduce论文，发表于2004年12月，Hadoop MapReduce是google MapReduce 克隆版。

MapReduce是1种散布式计算模型，用以进行大数据量的计算。它屏蔽了散布式计算框架细节，将计算抽象成map和reduce两部份，

其中Map对数据集上的独立元素进行指定的操作，生成键-值对情势中间结果。Reduce则对中间结果中相同“键”的所有“值”进行规约，以得到终究结果。

MapReduce非常合适在大量计算机组成的散布式并行环境里进行数据处理。

4. HBASE（散布式列存数据库）

源自Google的Bigtable论文，发表于2006年11月，HBase是Google Bigtable克隆版

HBase是1个建立在HDFS之上，面向列的针对结构化数据的可伸缩、高可靠、高性能、散布式和面向列的动态模式数据库。

HBase采取了BigTable的数据模型：增强的稀疏排序映照表（Key/Value），其中，键由行关键字、列关键字和时间戳构成。

HBase提供了对大范围数据的随机、实时读写访问，同时，HBase中保存的数据可使用MapReduce来处理，它将数据存储和并行计算完善地结合在1起。

5. Zookeeper（散布式协作服务）

源自Google的Chubby论文，发表于2006年11月，Zookeeper是Chubby克隆版

解决散布式环境下的数据管理问题：统1命名，状态同步，集群管理，配置同步等。

Hadoop的许多组件依赖于Zookeeper，它运行在计算机集群上面，用于管理Hadoop操作。

6. HIVE（数据仓库）

由facebook开源，最初用于解决海量结构化的日志数据统计问题。

Hive定义了1种类似SQL的查询语言(HQL),将SQL转化为MapReduce任务在Hadoop上履行。通经常使用于离线分析。

HQL用于运行存储在Hadoop上的查询语句，Hive让不熟习MapReduce开发人员也能编写数据查询语句，然后这些语句被翻译为Hadoop上面的MapReduce任务。

7.Pig(ad-hoc脚本）

由yahoo!开源，设计动机是提供1种基于MapReduce的ad-hoc(计算在query时产生)数据分析工具

Pig定义了1种数据流语言—Pig Latin，它是MapReduce编程的复杂性的抽象,Pig平台包括运行环境和用于分析Hadoop数据集的脚本语言(Pig Latin)。

其编译器将Pig Latin翻译成MapReduce程序序列将脚本转换为MapReduce任务在Hadoop上履行。通经常使用于进行离线分析。

8.Sqoop(数据ETL/同步工具）

Sqoop是SQL-to-Hadoop的缩写，主要用于传统数据库和Hadoop之前传输数据。数据的导入和导出本质上是Mapreduce程序，充分利用了MR的并行化和容错性。

Sqoop利用数据库技术描写数据架构，用于在关系数据库、数据仓库和Hadoop之间转移数据。

9.Flume（日志搜集工具）

Cloudera开源的日志搜集系统，具有散布式、高可靠、高容错、易于定制和扩大的特点。

它将数据从产生、传输、处理并终究写入目标的路径的进程抽象为数据流，在具体的数据流中，数据源支持在Flume中定制数据发送方，从而支持搜集各种不同协议数据。

同时，Flume数据流提供对日志数据进行简单处理的能力，如过滤、格式转换等。另外，Flume还具有能够将日志写往各种数据目标（可定制）的能力。

总的来讲，Flume是1个可扩大、合适复杂环境的海量日志搜集系统。固然也能够用于搜集其他类型数据

10.Mahout（数据发掘算法库）

Mahout起源于2008年，最初是Apache Lucent的子项目，它在极短的时间内获得了长足的发展，现在是Apache的顶级项目。

Mahout的主要目标是创建1些可扩大的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能利用程序。

Mahout现在已包括了聚类、分类、推荐引擎（协同过滤）和频繁集发掘等广泛使用的数据发掘方法。

除算法，Mahout还包括数据的输入/输出工具、与其他存储系统（如数据库、MongoDB 或Cassandra）集成等数据发掘支持架构。

11. Oozie(工作流调度器）

Oozie是1个可扩大的工作体系，集成于Hadoop的堆栈，用于调和多个MapReduce作业的履行。它能够管理1个复杂的系统，基于外部事件来履行，外部事件包括数据的定时和数据的出现。

Oozie工作流是放置在控制依赖DAG（有向无环图 Direct Acyclic Graph）中的1组动作（例如，Hadoop的Map/Reduce作业、Pig作业等），其中指定了动作履行的顺序。

Oozie使用hPDL（1种XML流程定义语言）来描写这个图。

12. Yarn(散布式资源管理器）

YARN是下1代MapReduce，即MRv2，是在第1代MapReduce基础上演化而来的，主要是为了解决原始Hadoop扩大性较差，不支持多计算框架而提出的。

Yarn是下1代 Hadoop 计算平台，yarn是1个通用的运行时框架，用户可以编写自己的计算框架，在该运行环境中运行。

用于自己编写的框架作为客户真个1个lib，在应用提交作业时打包便可。该框架为提供了以下几个组件：

  - 资源管理：包括利用程序管理和机器资源管理

  - 资源双层调度

  - 容错性：各个组件均有斟酌容错性

  - 扩大性：可扩大到上万个节点

13. Mesos（散布式资源管理器）

  Mesos诞生于UC Berkeley的1个研究项目，现已成为Apache项目，当前有1些公司使用Mesos管理集群资源，比如Twitter。

  与yarn类似，Mesos是1个资源统1管理和调度的平台，一样支持比如MR、steaming等多种运算框架。

14. Tachyon（散布式内存文件系统）

Tachyon（/'tæki:ˌɒn/ 意为超光速粒子）是之内存为中心的散布式文件系统，具有高性能和容错能力，

能够为集群框架（如Spark、MapReduce）提供可靠的内存级速度的文件同享服务。

Tachyon诞生于UC Berkeley的AMPLab。

15. Tez(DAG计算模型)

Tez是Apache最新开源的支持DAG作业的计算框架，它直接源于MapReduce框架，核心思想是将Map和Reduce两个操作进1步拆分，

即Map被拆分成Input、Processor、Sort、Merge和Output， Reduce被拆分成Input、Shuffle、Sort、Merge、Processor和Output等，

这样，这些分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过1些控制程序组装后，可构成1个大的DAG作业。

目前hive支持mr、tez计算模型，tez能完善2进制mr程序，提升运算性能。

16. Spark(内存DAG计算模型)

Spark是1个Apache项目，它被标榜为“快如闪电的集群计算”。它具有1个繁华的开源社区，并且是目前最活跃的Apache项目。

最早Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架。

Spark提供了1个更快、更通用的数据处理平台。和Hadoop相比，Spark可让你的程序在内存中运行时速度提升100倍，或在磁盘上运行时速度提升10倍

17. Giraph(图计算模型)

Apache Giraph是1个可伸缩的散布式迭代图处理系统， 基于Hadoop平台，灵感来自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。

最早出自雅虎。雅虎在开发Giraph时采取了Google工程师2010年发表的论文《Pregel：大范围图表处理系统》中的原理。后来，雅虎将Giraph捐赠给Apache软件基金会。

目前所有人都可以下载Giraph，它已成为Apache软件基金会的开源项目，并得到Facebook的支持，取得多方面的改进。

18. GraphX(图计算模型）

Spark GraphX最早是伯克利AMPLAB的1个散布式图计算框架项目，目前整合在spark运行框架中，为其提供BSP大范围并行图计算能力。

19. MLib（机器学习库）

Spark MLlib是1个机器学习库，它提供了各种各样的算法，这些算法用来在集群上针对分类、回归、聚类、协同过滤等。

20. Streaming（流计算模型）

Spark Streaming支持对流数据的实时处理，以微批的方式对实时数据进行计算

21. Kafka（散布式消息队列）

Kafka是Linkedin于2010年12月份开源的消息系统，它主要用于处理活跃的流式数据。

活跃的流式数据在web网站利用中非常常见，这些数据包括网站的pv、用户访问了甚么内容，搜索了甚么内容等。

这些数据通常以日志的情势记录下来，然后每隔1段时间进行1次统计处理。

22. Phoenix（hbase sql接口）

Apache Phoenix 是HBase的SQL驱动，Phoenix 使得Hbase 支持通过JDBC的方式进行访问，并将你的SQL查询转换成Hbase的扫描和相应的动作。

23. ranger(安全管理工具）

Apache ranger是1个hadoop集群权限框架，提供操作、监控、管理复杂的数据权限，它提供1个集中的管理机制，管理基于yarn的hadoop生态圈的所有数据权限。

24. knox（hadoop安全网关）

Apache knox是1个访问hadoop集群的restapi网关，它为所有rest访问提供了1个简单的访问接口点，能完成3A认证（Authentication，Authorization，Auditing）和SSO（单点登录）等

25. falcon（数据生命周期管理工具）

Apache Falcon 是1个面向Hadoop的、新的数据处理和管理平台，设计用于数据移动、数据管道调和、生命周期管理和数据发现。它使终端用户可以快速地将他们的数据及其相干的处理和管理任务“上载（onboard）”到Hadoop集群。

26.Ambari（安装部署配置管理工具）

Apache Ambari 的作用来讲，就是创建、管理、监视 Hadoop 的集群，是为了让 Hadoop 和相干的大数据软件更容易使用的1个web工具。

参考文献：

Hadoop生态系统介绍  http://blog.csdn.net/qa962839575/article/details/44256769?ref=myread

大数据和Hadoop生态圈，Hadoop发行版和基于Hadoop的企业级利用 http://www.36dsj.com/archives/26942

Oozie介绍 http://blog.csdn.net/wf1982/article/details/7200663

统1资源管理与调度平台（系统）介绍 http://blog.csdn.net/meeasyhappy/article/details/8669688

Tachyon简介http://blog.csdn.net/u014252240/article/details/41810849

Apache Tez：1个运行在YARN之上支持DAG作业的计算框架 http://segmentfault.com/a/1190000000458726

Giraph：基于Hadoop的开源图形处理平台 http://tech.it168.com/a2013/0821/1523/000001523700.shtml

Hadoop家族学习线路图 http://blog.fens.me/hadoop-family-roadmap/

基于Spark的图计算框架 GraphX 入门介绍  http://www.open-open.com/lib/view/open1420689305781.html

Apache Spark 入门简介 http://blog.jobbole.com/89446/

Ambari——大数据平台的搭建利器 http://www.ibm.com/developerworks/cn/opensource/os-cn-bigdata-ambari/index.html

消息系统Kafka介绍 http://dongxicheng.org/search-engine/kafka/

使用Apache Phoenix 实现 SQL 操作HBase http://www.tuicool.com/articles/vu6jae

面向Hadoop的、新的数据处理和管理平台：Apache Falcon http://www.open-open.com/lib/view/open1422533435767.html