目录
1.5.4 HDFS、YARN、MapReduce 三者关系
一、Hadoop 概述
1.1 Hadoop 是什么
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。主要解决的是海量数据的存储和海量数据的分析计算问题。
1.2 Hadoop 发展历史（了解）
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。
- 2001年年底Lucene成为Apache基金会的一个子项目。
- 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。
- 学习和模仿Google解决这些问题的办法：微型版Nutch
- 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、MapReduce-->Yarn、BigTable-->HBase）
- 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。
- 2005 年Hadoop 作为Lucene的子项目Nutch的一部分正式引入Apache基金会。
- 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。
- 名字来源于Doug Cutting儿子的玩具大象
1.3 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。
1.4 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。
1.5 Hadoop 组成（面试重点）
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。Hadoop3.x在组成上没有变化。
1.5.1 HDFS 架构
Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。
- 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。
- 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。
- Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。
1.5.2 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。
- ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
- NodeManager（NM）：单个节点服务器资源老大（每个NodeManager上可以有多个Container）
- ApplicationMaster（AM）：单个任务运行的老大（集群上可以运行多个ApplicationMaster）
- 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。
1.5.3 MapReduce 架构概述
MapReduce 将计算过程分为两个阶段：Map 和Reduce
- Map 阶段并行处理输入数据
- Reduce 阶段对Map 结果进行汇总
1.5.4 HDFS、YARN、MapReduce 三者关系
1.6 大数据技术生态体系
例如：推荐系统项目框架
