hadoop生态圈

 

 

1. hadoop 生态概况

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。

用户能够在不了解分布式底层细节的状况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。

具备可靠、高效、可伸缩的特色。

Hadoop的核心是YARN,HDFS和Mapreduce

(Apache Hadoop YARN （Yet Another Resource Negotiator，另外一种资源协调者）是一种新的 Hadoop 资源管理器，它是一个通用资源管理系统，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。)

下图是hadoop生态系统，集成spark生态圈。在将来一段时间内，hadoop将于spark共存，hadoop与spark

都能部署在yarn、mesos的资源管理系统之上

 

 

 

下面将分别对以上各组件进行简要介绍，具体介绍参见后续系列博文。

2、HDFS（Hadoop分布式文件系统）

源自于Google的GFS论文，发表于2003年10月，HDFS是GFS克隆版。

HDFS是Hadoop体系中数据存储管理的基础。它是一个高度容错的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。

HDFS简化了文件的一致性模型，经过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序。

它提供了一次写入屡次读取的机制，数据以块的形式，同时分布在集群不一样物理机器上。

3、Mapreduce（分布式计算框架）

源自于google的MapReduce论文，发表于2004年12月，Hadoop MapReduce是google MapReduce 克隆版。

MapReduce是一种分布式计算模型，用以进行大数据量的计算。它屏蔽了分布式计算框架细节，将计算抽象成map和reduce两部分，

其中Map对数据集上的独立元素进行指定的操做，生成键-值对形式中间结果。Reduce则对中间结果中相同“键”的全部“值”进行规约，以获得最终结果。

MapReduce很是适合在大量计算机组成的分布式并行环境里进行数据处理。

4. HBASE（分布式列存数据库）

源自Google的Bigtable论文，发表于2006年11月，HBase是Google Bigtable克隆版

HBase是一个创建在HDFS之上，面向列的针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。

HBase采用了BigTable的数据模型：加强的稀疏排序映射表（Key/Value），其中，键由行关键字、列关键字和时间戳构成。

HBase提供了对大规模数据的随机、实时读写访问，同时，HBase中保存的数据可使用MapReduce来处理，它将数据存储和并行计算完美地结合在一块儿。

5. Zookeeper（分布式协做服务）

源自Google的Chubby论文，发表于2006年11月，Zookeeper是Chubby克隆版

解决分布式环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等。

Hadoop的许多组件依赖于Zookeeper，它运行在计算机集群上面，用于管理Hadoop操做。

6. HIVE（数据仓库）

由facebook开源，最初用于解决海量结构化的日志数据统计问题。

Hive定义了一种相似SQL的查询语言(HQL),将SQL转化为MapReduce任务在Hadoop上执行。一般用于离线分析。

HQL用于运行存储在Hadoop上的查询语句，Hive让不熟悉MapReduce开发人员也能编写数据查询语句，而后这些语句被翻译为Hadoop上面的MapReduce任务。

7.Pig(ad-hoc脚本）

由yahoo!开源，设计动机是提供一种基于MapReduce的ad-hoc(计算在query时发生)数据分析工具

Pig定义了一种数据流语言—Pig Latin，它是MapReduce编程的复杂性的抽象,Pig平台包括运行环境和用于分析Hadoop数据集的脚本语言(Pig Latin)。

其编译器将Pig Latin翻译成MapReduce程序序列将脚本转换为MapReduce任务在Hadoop上执行。一般用于进行离线分析。

8.Sqoop(数据ETL/同步工具）

Sqoop是SQL-to-Hadoop的缩写，主要用于传统数据库和Hadoop以前传输数据。数据的导入和导出本质上是Mapreduce程序，充分利用了MR的并行化和容错性。

Sqoop利用数据库技术描述数据架构，用于在关系数据库、数据仓库和Hadoop之间转移数据。

9.Flume（日志收集工具）

Cloudera开源的日志收集系统，具备分布式、高可靠、高容错、易于定制和扩展的特色。

它将数据从产生、传输、处理并最终写入目标的路径的过程抽象为数据流，在具体的数据流中，数据源支持在Flume中定制数据发送方，从而支持收集各类不一样协议数据。

同时，Flume数据流提供对日志数据进行简单处理的能力，如过滤、格式转换等。此外，Flume还具备可以将日志写往各类数据目标（可定制）的能力。

总的来讲，Flume是一个可扩展、适合复杂环境的海量日志收集系统。固然也能够用于收集其余类型数据

10.Mahout（数据挖掘算法库）

Mahout起源于2008年，最初是Apache Lucent的子项目，它在极短的时间内取得了长足的发展，如今是Apache的顶级项目。

Mahout的主要目标是建立一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地建立智能应用程序。

Mahout如今已经包含了聚类、分类、推荐引擎（协同过滤）和频繁集挖掘等普遍使用的数据挖掘方法。

除了算法，Mahout还包含数据的输入/输出工具、与其余存储系统（如数据库、MongoDB 或Cassandra）集成等数据挖掘支持架构。

11. Oozie(工做流调度器）

Oozie是一个可扩展的工做体系，集成于Hadoop的堆栈，用于协调多个MapReduce做业的执行。它可以管理一个复杂的系统，基于外部事件来执行，外部事件包括数据的定时和数据的出现。

Oozie工做流是放置在控制依赖DAG（有向无环图 Direct Acyclic Graph）中的一组动做（例如，Hadoop的Map/Reduce做业、Pig做业等），其中指定了动做执行的顺序。

Oozie使用hPDL（一种XML流程定义语言）来描述这个图。

12. Yarn(分布式资源管理器）

YARN是下一代MapReduce，即MRv2，是在第一代MapReduce基础上演变而来的，主要是为了解决原始Hadoop扩展性较差，不支持多计算框架而提出的。

Yarn是下一代 Hadoop 计算平台，yarn是一个通用的运行时框架，用户能够编写本身的计算框架，在该运行环境中运行。

用于本身编写的框架做为客户端的一个lib，在运用提交做业时打包便可。该框架为提供了如下几个组件：

  - 资源管理：包括应用程序管理和机器资源管理

  - 资源双层调度

  - 容错性：各个组件均有考虑容错性

  - 扩展性：可扩展到上万个节点

13. Mesos（分布式资源管理器）

  Mesos诞生于UC Berkeley的一个研究项目，现已成为Apache项目，当前有一些公司使用Mesos管理集群资源，好比Twitter。

  与yarn相似，Mesos是一个资源统一管理和调度的平台，一样支持好比MR、steaming等多种运算框架。

14. Tachyon（分布式内存文件系统）

Tachyon（/'tæki:ˌɒn/ 意为超光速粒子）是之内存为中心的分布式文件系统，拥有高性能和容错能力，

可以为集群框架（如Spark、MapReduce）提供可靠的内存级速度的文件共享服务。

Tachyon诞生于UC Berkeley的AMPLab。

15. Tez(DAG计算模型)

Tez是Apache最新开源的支持DAG做业的计算框架，它直接源于MapReduce框架，核心思想是将Map和Reduce两个操做进一步拆分，

即Map被拆分红Input、Processor、Sort、Merge和Output， Reduce被拆分红Input、Shuffle、Sort、Merge、Processor和Output等，

这样，这些分解后的元操做能够任意灵活组合，产生新的操做，这些操做通过一些控制程序组装后，可造成一个大的DAG做业。

目前hive支持mr、tez计算模型，tez能完美二进制mr程序，提高运算性能。

16. Spark(内存DAG计算模型)

Spark是一个Apache项目，它被标榜为“快如闪电的集群计算”。它拥有一个繁荣的开源社区，而且是目前最活跃的Apache项目。

最先Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架。

Spark提供了一个更快、更通用的数据处理平台。和Hadoop相比，Spark可让你的程序在内存中运行时速度提高100倍，或者在磁盘上运行时速度提高10倍

17. Giraph(图计算模型)

Apache Giraph是一个可伸缩的分布式迭代图处理系统， 基于Hadoop平台，灵感来自 BSP (bulk synchronous parallel) 和 Google 的 Pregel。

最先出自雅虎。雅虎在开发Giraph时采用了Google工程师2010年发表的论文《Pregel：大规模图表处理系统》中的原理。后来，雅虎将Giraph捐赠给Apache软件基金会。

目前全部人均可如下载Giraph，它已经成为Apache软件基金会的开源项目，并获得Facebook的支持，得到多方面的改进。

18. GraphX(图计算模型）

Spark GraphX最早是伯克利AMPLAB的一个分布式图计算框架项目，目前整合在spark运行框架中，为其提供BSP大规模并行图计算能力。

19. MLib（机器学习库）

Spark MLlib是一个机器学习库，它提供了各类各样的算法，这些算法用来在集群上针对分类、回归、聚类、协同过滤等。

20. Streaming（流计算模型）

Spark Streaming支持对流数据的实时处理，以微批的方式对实时数据进行计算

21. Kafka（分布式消息队列）

Kafka是Linkedin于2010年12月份开源的消息系统，它主要用于处理活跃的流式数据。

活跃的流式数据在web网站应用中很是常见，这些数据包括网站的pv、用户访问了什么内容，搜索了什么内容等。

这些数据一般以日志的形式记录下来，而后每隔一段时间进行一次统计处理。

22. Phoenix（hbase sql接口）

Apache Phoenix 是HBase的SQL驱动，Phoenix 使得Hbase 支持经过JDBC的方式进行访问，并将你的SQL查询转换成Hbase的扫描和相应的动做。

23. ranger(安全管理工具）

Apache ranger是一个hadoop集群权限框架，提供操做、监控、管理复杂的数据权限，它提供一个集中的管理机制，管理基于yarn的hadoop生态圈的全部数据权限。

24. knox（hadoop安全网关）

Apache knox是一个访问hadoop集群的restapi网关，它为全部rest访问提供了一个简单的访问接口点，能完成3A认证（Authentication，Authorization，Auditing）和SSO（单点登陆）等

25. falcon（数据生命周期管理工具）

Apache Falcon 是一个面向Hadoop的、新的数据处理和管理平台，设计用于数据移动、数据管道协调、生命周期管理和数据发现。它使终端用户能够快速地将他们的数据及其相关的处理和管理任务“上载（onboard）”到Hadoop集群。

26.Ambari（安装部署配置管理工具）

Apache Ambari 的做用来讲，就是建立、管理、监视 Hadoop 的集群，是为了让 Hadoop 以及相关的大数据软件更容易使用的一个web工具。

 

参考文献：

Hadoop生态系统介绍  http://blog.csdn.net/qa962839575/article/details/44256769?ref=myread

大数据和Hadoop生态圈，Hadoop发行版和基于Hadoop的企业级应用 http://www.36dsj.com/archives/26942

Oozie介绍 http://blog.csdn.net/wf1982/article/details/7200663

统一资源管理与调度平台（系统）介绍 http://blog.csdn.net/meeasyhappy/article/details/8669688

Tachyon简介http://blog.csdn.net/u014252240/article/details/41810849

Apache Tez：一个运行在YARN之上支持DAG做业的计算框架 http://segmentfault.com/a/1190000000458726

Giraph：基于Hadoop的开源图形处理平台 http://tech.it168.com/a2013/0821/1523/000001523700.shtml

Hadoop家族学习路线图 http://blog.fens.me/hadoop-family-roadmap/

基于Spark的图计算框架 GraphX 入门介绍  http://www.open-open.com/lib/view/open1420689305781.html

Apache Spark 入门简介 http://blog.jobbole.com/89446/

Ambari——大数据平台的搭建利器 http://www.ibm.com/developerworks/cn/opensource/os-cn-bigdata-ambari/index.html

消息系统Kafka介绍 http://dongxicheng.org/search-engine/kafka/

使用Apache Phoenix 实现 SQL 操做HBase http://www.tuicool.com/articles/vu6jae

面向Hadoop的、新的数据处理和管理平台：Apache Falcon http://www.open-open.com/lib/view/open1422533435767.html