大数据之Hadoop图解概述-程序员宅基地

技术标签： # Hadoop hadoop 大数据

文章目录

0 写在开头
1 Hadoop是什么
2 Hadoop 发展历史（了解）
3 Hadoop 三大发行版本（了解）
4 Hadoop 优势（4 高）
5 Hadoop 组成（面试重点）
6 大数据技术生态体系
7 推荐系统框架图
8 大数据简历模板和大厂面试真题下载

0 写在开头

开始更新Hadoop系列教学文章了，从零带你入门大数据，期待的你的关注️️

1 Hadoop是什么

1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构

2）主要解决，海量数据的存储和海量数据的分析计算问题。

3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

2 Hadoop 发展历史（了解）

1）Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优
化升级，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框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。

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
Map-Reduce —>MR
BigTable —>HBas

6）2003-2004年，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 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。

8）2006 年 3 月份，Map-Reduce和Nutch Distributed File System （NDFS）分别被纳入到 Hadoop 项目
中，Hadoop就此正式诞生，标志着大数据时代来临。

9）名字来源于Doug Cutting儿子的玩具大象

Hadoop的log
在这里插入图片描述

3 Hadoop 三大发行版本（了解）

Hadoop 三大发行版本：Apache、Cloudera、Hortonworks。

Apache 版本最原始（最基础）的版本，对于入门学习最好。2006
Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008
Hortonworks 文档较好，对应产品 HDP。2011
Hortonworks 现在已经被 Cloudera 公司收购，推出新的品牌 CDP。

在这里插入图片描述

①Apache Hadoop（常用）

官网地址：http://hadoop.apache.org
下载地址：https://hadoop.apache.org/releases.html

②Cloudera Hadoop

官网地址：https://www.cloudera.com/downloads/cdh
下载地址：https://docs.cloudera.com/documentation/enterprise/6/releasenotes/topics/rg_cdh_6_download.html

1）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，主要是包括支持、咨询服务、培训。

2）2009 年 Hadoop 的创始人 Doug Cutting 也加盟 Cloudera 公司。Cloudera 产品主
要为 CDH，Cloudera Manager，Cloudera Support

3）CDH 是 Cloudera 的 Hadoop 发行版，完全开源，比 Apache Hadoop 在兼容性，安
全性，稳定性上有所增强。Cloudera 的标价为每年每个节点 10000 美元。

4）Cloudera Manager 是集群的软件分发及管理监控平台，可以在几个小时内部署好一
个 Hadoop 集群，并对集群的节点及服务进行实时监控。

③Hortonworks Hadoop

官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform

1）2011 年成立的 Hortonworks 是雅虎与硅谷风投公司 Benchmark Capital 合资组建。

2）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。

3）Hortonworks 的主打产品是 Hortonworks Data Platform（HDP），也同样是 100%开
源的产品，HDP 除常见的项目外还包括了 Ambari，一款开源的安装和管理系统。

4）2018 年 Hortonworks 目前已经被 Cloudera 公司收购

4 Hadoop 优势（4 高）

1）高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。

在这里插入图片描述

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。
在这里插入图片描述
3）高效性：在MapReduce的思想下，Hadoop是并行工作的，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。
在这里插入图片描述

5 Hadoop 组成（面试重点）

在这里插入图片描述

在 Hadoop1.x 时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。
在Hadoop2.x 时代，增加了Yarn。Yarn只负责资源的调度，MapReduce 只负责运算。
在Hadoop3.x 时代，在组成上没有变化。

5.1 HDFS 架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

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。
在这里插入图片描述
2）DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。

3）Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。

5.2 YARN 架构概述

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大

3）ApplicationMaster（AM）：单个任务运行的老大

2）NodeManager（N M）：单个节点服务器资源老大

4）Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。
在这里插入图片描述

5.3 MapReduce 架构概述

MapReduce：分布式的离线并行计算框架，对海量数据的处理。将计算过程分为Map和Reduce两个阶段，Map阶段并行处理输入数据，Reduce阶段对Map结果进行汇总。

Mapper:

1.第一阶段是把输入文件进行分片（inputSplit）得到block。有多少个block就对应启动多少maptask
2.第二阶段是对输入片中的记录按照一定的规则解析成键值对。键（key）表示每行首字符偏移值，值（value）表示本行文本内容。
3.第三阶段是调用map方法。解析出来的每个键值对，调用一次map方法。
4.第四阶段是按照一定规则对第三阶段输出的键值对进行分区。
5.第五阶段是对每个分区中的键值对进行排序。首先按照键进行排序，然后按照值。完成后将数据写入内存中，内存中这片区域叫做环形缓冲区。

Reduce:

1.第一阶段（copy）reduce任务从Mapper任务复制输出的键值对。
2.第二阶段（sort）合并排序是把复制到Reduce本地数据，全部合并。再对合并后的数据排序
3.第三阶段是对排序后的键值对调用reduce方法。键相等的键值对调用一次reduce方法，每次调用会产生零个或者多个键值对，最后把这些输出的键值对写入到HDFS文件中。

5.4 HDFS、YARN、MapReduce 三者关系

在这里插入图片描述

6 大数据技术生态体系

在这里插入图片描述
图中涉及的技术名词解释如下：

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；

3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；

4）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。

5）Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。

6）Oozie：Oozie 是一个管理 Hadoop 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。

9）ZooKeeper：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。

7 推荐系统框架图

在这里插入图片描述

8 大数据简历模板和大厂面试真题下载

下载地址：15份真实优质大数据简历模板+5份大厂面试真题.zip
在这里插入图片描述

本文链接：https://blog.csdn.net/yuan2019035055/article/details/120901926

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

project2016调配资源冲突-程序员宅基地

文章浏览阅读5.4k次，点赞9次，收藏26次。（1） Project查看资源负荷情况的方法和结果在工时类资源会存在资源过度分配（在同一个时间段给工时类资源分配的资源超出了他的最大单位）的情况，而成本类、材料类资源则不会有、查看资源负荷的方法有：在视图栏------资源图表如下图在这里我们可以看到每个资源的分配状况，如下图滚动鼠标滑轮就会出现不同的资源分配状况此时选择“资源”—“下一个资源过度分配处”如下图总结：甘特图、..._project2016调配资源冲突

推荐算法知识图谱模型（二）：KGCN-程序员宅基地

文章浏览阅读235次。常用的KGE方法侧重于建模严格的语义相关性（例如，TransE和TransR假设头+关系=尾），这更适合于KG补全和链接预测等图内应用，而不是推荐。更自然、更直观的方法是直接设计一个图算法来利用KG结构。_图谱模型

ajax跨域与cookie跨域_一级域名的cookie ajax 请求二级域名时获取cookie-程序员宅基地

文章浏览阅读389次。ajax跨域ajax跨域取数据(利用可以跨域加载js的原理 functioncallback(){ }这是需要返回这样一个js函数)ajax数据类型使用jsonp :如 ajax{ url:..._一级域名的cookie ajax 请求二级域名时获取cookie

Flutter从0到1实现高性能、多功能的富文本编辑器（基础实战篇）_flutter 富文本-程序员宅基地

文章浏览阅读1.3k次，点赞2次，收藏2次。在上一章中，我们分析了一个富文本编辑器需要有哪些模块组成。在本文中，让我们从零开始，去实现自定义的富文本编辑器。注：本文篇幅较长，从失败的方案开始分析再到成功实现自定义富文本编辑器，真正的从0到1。— 完整代码太多，文章只分析核心代码，需要源码请到代码仓库作为基础的富文本编辑器实现，我们需要专注于简单且重要的部分，所以目前只需定义标题、文本对齐、文本粗体、文本斜体、下划线、文本删除线、文本缩进符等富文本基础功能。//定义默认颜色...///用户自定义颜色解析。_flutter 富文本

新一代异步IO框架——io_uring 架构-程序员宅基地

文章浏览阅读30次。近年来，Linux社区开发了一种新的异步IO框架，称为io_uring。io_uring通过提供高度可扩展和高性能的异步IO接口，有效地解决了传统异步IO框架中的一些性能瓶颈和限制。io_uring已经成为许多高性能应用程序的首选异步IO框架，为开发者提供了更好的IO处理能力。io_uring 架构是建立在Linux内核之上的，它使用了一组新的系统调用和内核机制，以提供高性能和低延迟的异步IO操作。io_uring的设计目标是提供一种简单而强大的接口，使得开发者可以轻松地利用异步IO的优势。

耗时一个月！期末熬夜复习整理 | 计算机网络（谢希仁第七版）大合集【知识点+大量习题讲解】_计算机网络期末复习题-程序员宅基地

文章浏览阅读2.5w次，点赞204次，收藏1.8k次。期末计网满绩计划教材：计算机网络(第七版)谢希仁版目录1. 概述2. 物理层3. 数据链路层（次重点）4. 网络层（重点）5. 运输层（重点）6. 应用层7. 网络安全最后1. 概述第一章概述2. 物理层第二章物理层3. 数据链路层（次重点）第三章数据链路层4. 网络层（重点）第四章网络层5. 运输层（重点）第五章运输层6. 应用层第六章应用层7. 网络安全稍后发布最后小生凡一，期待你的关注。..._计算机网络期末复习题