大数据处理架构Hadoop

    1.概述
    1.1 Hadoop 简介
       hadoop是apache软件基金会旗下的一个开源分布式计算平台，为用户提供系统底层细节透明的分布式基础架构。hadoop基于java语言
    开发。跨平台性能好，可以部署在廉价的计算机集群中。hadoop核心是HDFS（分布式文件系统，解决了海量数据的存储）和mapreduce
    (解决了海量数据的处理)。hadoop被公认为行业大数据标准开源软件，在分布式环境下提供了海量数据段 处理能力。
       2008年4月，hadoop打破当时的世界记录成为最快排序1TB数据的系统，他采用901个节点构成的集群运算，排序时间只用209S。
    1.2 Hadoop的发展简史
        hadoop最初由apache Lucene项目的创始人Doug Cutting 开发的文本索引库。2002年的时候，Nutch项目(Lucene项目一部分)遇到
    了该框架无法扩展到拥有数十亿网页的网络。2003年的时候Google 发布了分布式文件系统GFS的论文，2004年Nutch项目模仿GFS开发了
    NDFS(HDFS前身)。2004年，谷歌公司有发布了MapReduce分布式编程思想的论文。2005年Nutch 项目开源了谷歌的MapReduce。
    至此。hadoop的两个核心HDFS和MapReduce ,受谷歌论文的影响，成就了hadoop在海量数据处理灵域的头羊领袖地位。2008年一月，
    Hadoop正式成为apache顶级的项目。
    1.3 hadoop 特性
        高可用性 ： 采用冗余存储方式
        高效性：采用分布式存储和分布式处理，搞笑的处理PB级数据
        高可扩展性：hadoop设计目的：高效稳定运行在廉价的计算机集群上。
        高容错性：采用冗余数据存储方式。
        低成本：采用廉价的计算机集群。
        运行在linux平台。
        支持多种编程语言。
    1.4 hadoop的版本
        apache hadoop版本分为两代，第一代hadoop包含0.20x ,0.21.x和0.22.x三个版本。其中，0.20x最后演变成1.0.x，成为稳定版。
    0.21.x和0.22.x增加了HDFS HA（高可用）等重要特性。第二代hadoop包含0.23.x和2.x两个版本。
    第二代hadoop比第一代hadoop做了较大的改进：主要是拆分了MapReduce的职能，减轻了系统负载。增加了YARN资源调度框架，
    mapreduce 运行在YARN框架（负责系统资源的调度的基础上，不在负责系统资源的调度，只专心于分布式计算。做为hadoop另一个核心
    的HDFS也增加了 federation 和HA（高可用和热备份）（HDFS中的namenode需要高可用）
        apache的各个版本的比较:
        除了免费开源apache hadoop版本提供标准，还有一些商业化公司陆续退出hadoop版本。
        2014年进入上海的 cloudera 与apache hadoop功能同步部分开源，具有自主研发产品，impala、navigator
        hortonwork 与apache 功能同步也完全开源（是apache hadoop平台最大的贡献者。产品：Tez构架，下一代hadoop查询处理框架）
        MapR 在apache hadoop基础上修改优化了许多，也形成了自己的 产品。
        国产的有 星环。核心组件与apache 同步，底层较多，完全封闭闭源，也又自己的hadoop产品  Inceptor 、Hyperbase.
    1.41 hadoop在企业的应用构架分为3层：数据源的流向依次是数据来源 ==》大数据层==》访问层
        在大数据层以HDFS分布式存储为基础；分为三部分。分别为访问层的3个功能即：数据分析、数据实时查询、数据挖掘提供运算。
        其中大数据层的： mapreduce (hive, pig) 提供了离线数据分析
                        Hbase(solr redis) 提供了数据的实时查询
                        Mahout BI分析 完成 数据挖掘
    1.5 hadoop生态系统

        1.51 HDFS

            分布式文件系统（Hadoop Distributed File System HDFS)是Hadoop项目的核心。针对谷歌文件系统GFS的开源。
        具有处理超大数据、流式处理运行在廉价服务器等优点。在设计之初，吧硬件故障作为常态考虑，保证在部分硬件发生故障的时候
        仍能保障整体的可用性和可靠性。此外，HDFS放宽了POSIX（可移植操作系统接口）实现了流的形式访问系统数据。提高系统的
        吞吐率。
        1.52  HBase
            针对谷歌BigTable的开源实现。具有强大的非结构化数据存储能力。采用HDFS作为底层数据存储，与传统数据库基于列的存储
        方式不同，HBase是基于行的存储。可横向扩展。是一个提供高可靠性、高性能、可伸缩、实时读写、分布式的列式数据库。
        1.53 MapReduce
            针对谷歌的MapReduce的开源实现。是一种编程模型。高度抽象到两个函数上 Map 和 Reduce 。在不了解底层细节情况下开发
        并行应用程序，运行在廉价计算机集群，完成海量数据(大于1T)处理核心思想是：将数据分成若干独立的数据块。分发给一个节点
        管理下的各个分界点来共同并行完成，最后最后整合各个节点中间结果得到最终结果。
        1.54 Hive
            基于hadoop的数据仓库工具。针对hadoop文件中的数据集进行数据整理、特殊查询和分析存储。使用类SQL语言的Hive-QL
        快速实现简单MapReduce统计。
        1.55 Pig
            简化了Hadoop常见的工作任务。为hadoop程序提供一种更加接近SQL的接口。在大型数据集中搜索满足某个给定搜索条件的记
        录时，Pig 只需要编写一个简单的脚本在集群中自动并行处理与分发，而MapReduce需要编写一个单独程序。
        1.56 Mahout
            提供可扩展的机器学习领域经典算法。用于数据挖掘。
        1.57 Zookeeper
            针对谷歌Chubby的一个开源实现、是高效和可靠的协同工作系统，用于构建分布式应用，减轻分布式应用程序所承担的协调任务。
        1.58 Flume
            是 Cloudera提供的一个高可用的，高可靠的、分布式海量日志采集、聚合和传输的系统。支持日志系统中定制各类数据发送方，
        用于收集数据；同时，Flume 提供对数据进行简单处理并写到各种数据接受方的能力。
        1.59 Sqoop
            SQL-to-Hadoop的缩写。用于Hadoop和关系数据库间交换数据,通过Sqoop可以将数据从mysql 、Oracle、postgresql等关系
        型数据中导入Hadoop（可以导入HDFS、HBase和Hive)也可以将数据从hadoop导出到关系数据库。是数据迁移方便
        1.510 Ambari
            Web工具。支持Apache Hadoop 集群的安装、部署、配置和管理