1. Hadoop是什么

  1. Hadoop是由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

  1. Hadoop创始人Doug Cutting，为了实现与Googole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。
  1. 2001年年底Lucene成为Apache基金会的一个子项目。
  2. 对于海量数据的场景，Lucene框架面对与Google同意的困难，存储海量数据困难，检索海量数据速度慢。
  3. 学习和模仿Google解决这些问题的办法：微型版Nutch。
  4. 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 —> HBase
  5. 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年业务时间实现了DFS和MapReduce机制，是Nutch性能飙升。
  6. 2005年Hadoop作为Lucene的子项目Nutch的一部分正式引入Apache基金会。
  7. 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。
  8. 名字来源与Doug Cutting儿子的玩具大象

3. Hadoop三大发行版本

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。

3.1 Apache Hadoop

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

3.2 Cloudera Hadoop

官网地址：https://www.cloudera.com/downloads/cdh
下载地址：https://docs.cloudera.com/documentation/enterprise/6/release-notes/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。

3.3 Hortonworks Hadoop

官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://www.cloudera.com/downloads.html#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于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Hadoop 80%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）

  • 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。
  • 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。
  • 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。
  • 高容错性：能够自动将失败的任务重新分配。

5. Hadoop组成（面试重点）

Hadoop 1.x、2.x、3.x的区别

5.1 HDFS架构概述

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

  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。
  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

YetAnotherResourceNegotiator简称YARN，另一种资源协调者，是Hadoop的资源管理器。

5.3 MapReduce架构概述

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阶段对Map结果进行汇总

5.4 HDFS、YARN、MapReduce三者关系

6. 大数据技术生态体系

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、集合和传输的系统，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