一、hadoop开源生态介绍

1、云计算与大数据

Iaas:基础设施即服务,通过互联网获得服务，例如亚马逊AWS,openStack

Paas:平台即服务,把服务器平台作为一种服务，例如虚拟开发平台，默认安装开发环境,hadoop

Saas:软件即服务，例如office365,大量app

2、大数据应用

hadoop提供存储和计算能力

支持PB级别数据

支持非结构化数据

支持结构化数据

支持万级每秒查询

支持高可靠性系统

支持高效率统计分析

3、hadoop起源

common组件、HDFS组件、Mapreduce组件(mrv1,mrv2)

02年: search engine

03年: GFS、NDFS

04年: MapReduce

06年: NDFS&MapReduce Hadoop

08年： Yahoo, Hadoop apache基金会

4、核心技术

分布式基础设施：GFS、Chubby和Protocol Buffer

分布式大数据处理技术：MapReduce和Sawzall

分布式数据库技术:BigTable和数据库sharding

数据中心优化技术：数据中心高温化、12V电池和服务器整合

5、GFS架构

GFS Master:存储chunk元数据信息，主备

Chunkserver1: 存储数据

Chunkserver2:

6、MapReduce架构

master进程

map 进程，存储本地磁盘

reduce进程，copy map文件，通过分布式文件系统reduce,最终输出

7、组件对比

google组件 Hadoop组件

MapReduce MapReduce(Mrv1、Mrv2)

GFS　　　　　HDFS

Bigtable Hbase

Chubby Zookeeper

二、hadoop核心组件

核心组件包括三部分：HDFS组件、MapReduce组件、Common组件

2.1 Common组件

提供IO、压缩、RPC通信、序列化，利用JNI方法调用

编写的native库，加速数据压缩、数据校验等

2.2 HDFS组件

采用流式数据访问模式，用于存储大量超大文件和海量数据，具有高吞吐率、方便部署和存储管理特点

HDFS两种节点:Namenode和Datanode

Namenode:内存中保存文件数据块映射信息和整个文件系统的名字空间

Datanode:负责存储和读取数据块

了解读写操作流程

2.3 MapReduce组件

JobTracker

多个TaskTacker(MapTask和ReduceTask)

map (sort相同key放一起)

copy 到远端磁盘 merge合并文件，reduce结果

三、hadoop生态系统

Ambari：监控管理工具

Zookeeper：分布式服务框架，解决一致性问题

Hbase

Pig(Data Flow)

Hive(SQL) fackbook(数据etcl,数据存储和数据分析能力)

MapReduce

HDFS

Oozie (Workflow Schedule）多个作业调度动作,有向无环流

Hcatalog: 数据表管理和存储服务

四、hadoop发行版

Cloudera CDH

Hortonworks HDP: TEZ底层数据处理引擎

Intel Distribution：

IBM BigInsight

五、hadoop版本选择

1.0

2.0 0.23.x 2.x (包含HDFS和YARN两个系统)

考虑问题？

是否支持文件追加

是否支持HDFS文件链接访问

保证hadoop安全性

是否加入NameNode HA （0.21x 0.22.x 2.x)

是否加入HDFS和YARN （0.23x 2.x)

六、书籍推荐

Hadoop权威指南

Hadoop实战

hadoop.apache.org

hadoop jira

blogs.cloudera.com

hortonworks.com/blog

wiki.apache.ogr/hadoop