TIP

本文主要是介绍 Hadoop-基础知识 。

• Hadoop-基础介绍
• 什么是大数据
  • 基本概念
  • 存储框架：
  • 运算框架：
  • 辅助类的工具
  • 大数据在现实生活中的具体应用
  • 什么是hadoop
  • Hadoop解决哪些问题？
  • hadoop中有3个核心组件：
  • hdfs整体运行机制
  • hdfs跟普通的单机文件系统有区别：
  • hdfs的工作机制：
• 参考文章

Hadoop-基础介绍

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。

HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。

介绍hadoop就是需要先了解hadoop的使用场景，先熟悉一下下面的概念：

什么是大数据

基本概念

• 简单说就是 数据处理

• 在互联网技术发展到现今阶段，大量日常、工作等事务产生的数据都已经信息化，

• 人类产生的数据量相比以前有了爆炸式的增长，

• 以前的传统的数据处理技术已经无法胜任，需求催生技术，一套用来处理海量数据的软件工具应运而生，这就是大数据！

• 处理海量数据的核心技术

海量数据存储：分布式 海量数据运算：分布式

这些核心技术的实现是不需要用户从零开始造轮子的 存储和运算，都已经有大量的成熟的框架来用

存储框架：

• 1. HDFS——分布式文件存储系统（HADOOP中的存储框架）
• 2. HBASE——分布式数据库系统
• 3. KAFKA——分布式消息缓存系统(实时流式数据处理场景中应用广泛)

运算框架：

（要解决的核心问题就是帮用户将处理逻辑在很多机器上并行）

• 1. MAPREDUCE—— 离线批处理/HADOOP中的运算框架
• 2. SPARK —— 离线批处理/实时流式计算
• 3. STORM —— 实时流式计算

辅助类的工具

（解放大数据工程师的一些繁琐工作）：

• 1. HIVE —— 数据仓库工具：可以接收sql，翻译成mapreduce或者spark程序运行
• 2. FLUME——数据采集
• 3. SQOOP——数据迁移
• 4. ELASTIC SEARCH —— 分布式的搜索引擎

换个角度说，

大数据是：

• 1. 有海量的数据
• 2. 有对海量数据进行挖掘的需求
• 3. 有对海量数据进行挖掘的软件工具（hadoop、spark、storm、flink、tez、impala......）

大数据在现实生活中的具体应用

• 1. 数据处理的最典型应用：公司的产品运营情况分析
• 2. 电商推荐系统：基于海量的浏览行为、购物行为数据，进行大量的算法模型的运算，得出各类推荐结论，以供电商网站页面来为用户进行商品推荐
• 3. 精准广告推送系统：基于海量的互联网用户的各类数据，统计分析，进行用户画像（得到用户的各种属性标签），然后可以为广告主进行有针对性的精准的广告投放

什么是hadoop

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

Hadoop解决哪些问题？

* 海量数据需要及时分析和处理
* 海量数据需要深入分析和挖掘
* 数据需要长期保存
* 海量数据存储的问题：
* 磁盘IO称为一种瓶颈，而非CPU资源
* 网络带宽是一种稀缺资源
* 硬件故障成为影响稳定的一大因素

hadoop中有3个核心组件：

• 1. 分布式文件系统：HDFS —— 实现将文件分布式存储在很多的服务器上
• 2. 分布式运算编程框架：MAPREDUCE —— 实现在很多机器上分布式并行运算
• 3. 分布式资源调度平台：YARN —— 帮用户调度大量的mapreduce程序，并合理分配运算资源

hdfs整体运行机制

hdfs：分布式文件系统 hdfs有着文件系统共同的特征： 有目录结构，顶层目录是： / 系统中存放的就是文件 系统可以提供对文件的：创建、删除、修改、查看、移动等功能

hdfs跟普通的单机文件系统有区别：

1. 单机文件系统中存放的文件，是在一台机器的操作系统中, hdfs的文件系统会横跨N多的机器 单机文件系统中存放的文件，是在一台机器的磁盘上 hdfs文件系统中存放的文件，是落在n多机器的本地单机文件系统中（hdfs是一个基于linux本地文件系统之上的文件系统）

hdfs的工作机制：

客户把一个文件存入hdfs，其实hdfs会把这个文件切块后，分散存储在N台linux机器系统中（负责存储文件块的角色：data node）<准确来说：切块的行为是由客户端决定的>

一旦文件被切块存储，那么，hdfs中就必须有一个机制，来记录用户的每一个文件的切块信息，及每一块的具体存储机器（负责记录块信息的角色是：name node）

为了保证数据的安全性，hdfs可以将每一个文件块在集群中存放多个副本（到底存几个副本，是由当时存入该文件的客户端指定的） 综述：一个hdfs系统，由一台运行了namenode的服务器，和N台运行了datanode的服务器组成！

作者：若与 链接：https://www.jianshu.com/p/dcb418f10fc1 来源：简书 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

参考文章

• https://www.jianshu.com/p/dcb418f10fc1