Hadoop简介详解大数据

HADOOP是apache旗下的一套开源软件平台 HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理 HADOOP的核心组件有 HDFS（分布式文件系统） YARN（运算资源调度系统） MAPREDUCE（分布式运算编程框架）

二.hadoop产生背景

 1.HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

     2.2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案——分布式文件系统（GFS），可用于处理海量网页的存储——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

     3.Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

三.hadoop重要组件

HDFS：分布式文件系统

MAPREDUCE：分布式运算程序开发框架

HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具

HBASE：基于HADOOP的分布式海量数据库

ZOOKEEPER：分布式协调服务基础组件

Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库

Oozie：工作流调度框架

Sqoop：数据导入导出工具

Flume：日志数据采集框架

四.hadoop常见项目处理流程

1.数据采集：定制开发采集程序，或使用开源框架FLUME

2.数据预处理：定制开发mapreduce程序运行于hadoop集群

3.数据仓库技术：基于hadoop之上的Hive

4.数据导出：基于hadoop的sqoop数据导入导出工具

5.数据可视化：定制开发web程序或使用kettle等产品

6.整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品

 

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/9081.html

分布式文件系统，分布式数据库区块链并行处理（MPP）数据库，数据挖掘开源大数据平台数据中台数据分析数据开发数据治理数据湖数据采集