hadoop生態系統的詳細介紹
轉自：https://blog.csdn.net/wdr2003/article/details/79692886
補充參考：https://blog.csdn.net/woshiwanxin102213/article/details/19688393
簡介
Hadoop是一個開發和運行處理大規模數據的軟件平臺,是Appach的一個用java語言實現開源軟件框架，實現在大量計算機組成的集羣中對海量數據進行分佈式計算。今天我們來詳細介紹下hadoop的生態系統。
Hadoop生態系統概況
Hadoop是一個能夠對大量數據進行分佈式處理的軟件框架。具有可靠、高效、可伸縮的特點。
下圖爲Hadoop 1.0生態系統：
Hadoop的核心是HDFS和MapReduce，hadoop2.0還包括YARN。
下圖爲hadoop 2.0的生態系統：
1. HDFS（Hadoop分佈式文件系統）
源自於Google的GFS論文，發表於2003年10月，HDFS是GFS克隆版。
是Hadoop體系中數據存儲管理的基礎。它是一個高度容錯的系統，能檢測和應對硬件故障，用於在低成本的通用硬件上運行。HDFS簡化了文件的一致性模型，通過流式數據訪問，提供高吞吐量應用程序數據訪問功能，適合帶有大型數據集的應用程序。
HDFS主要有以下幾個部分組成：
- Client：切分文件；訪問HDFS；與NameNode交互，獲取文件位置信息；與DataNode交互，讀取和寫入數據。
- NameNode：Master節點，在hadoop1.X中只有一個，管理HDFS的名稱空間和數據塊映射信息，配置副本策略，處理客戶端請求。對於大型的集羣來講，Hadoop1.x存在兩個最大的缺陷：
- 1)對於大型的集羣，namenode的內存成爲瓶頸，namenode的擴展性的問題；
- 2）namenode的單點故障問題。
- 針對以上的兩個缺陷，Hadoop2.x以後分別對這兩個問題進行了解決。
- 對於缺陷1）提出了Federation namenode來解決，該方案主要是通過多個namenode來實現多個命名空間來實現namenode的橫向擴張。從而減輕單個namenode內存問題。
- 針對缺陷2），hadoop2.X提出了實現兩個namenode實現熱備HA的方案來解決。其中一個是處於standby狀態，一個處於active狀態。
- DataNode：Slave節點，存儲實際的數據，彙報存儲信息給NameNode。
- Secondary NameNode：輔助NameNode，分擔其工作量；定期合併fsimage和edits，推送給NameNode；緊急情況下，可輔助恢復NameNode，但Secondary NameNode並非NameNode的熱備。
目前，在硬盤不壞的情況，我們可以通過secondarynamenode來實現namenode的恢復。
2. Mapreduce（分佈式計算框架）
Hadoop MapReduce是google MapReduce 克隆版。MapReduce是一種計算模型，用以進行大數據量的計算。其中Map對數據集上的獨立元素進行指定的操作，生成鍵-值對形式中間結果。Reduce則對中間結果中相同“鍵”的所有“值”進行規約，以得到最終結果。MapReduce這樣的功能劃分，非常適合在大量計算機組成的分佈式並行環境裏進行數據處理。
MapReduce計算框架發展到現在有兩個版本的MapReduce的API，針對MR1主要組件有以下幾個部分組成：
（1）JobTracker：Master節點，只有一個，主要任務是資源的分配和作業的調度及監督管理，管理所有作業，作業/任務的監控、錯誤處理等；將任務分解成一系列任務，並分派給TaskTracker。
（2）TaskTracker：Slave節點，運行Map Task和Reduce Task；並與JobTracker交互，彙報任務狀態。
（3）Map Task：解析每條數據記錄，傳遞給用戶編寫的map(),並執行，將輸出結果寫入本地磁盤。
（4）Reducer Task：從Map Task的執行結果中，遠程讀取輸入數據，對數據進行排序，將數據按照分組傳遞給用戶編寫的reduce函數執行。
在這個過程中，有一個shuffle過程，對於該過程是理解MapReduce計算框架是關鍵。該過程包含map函數輸出結果到reduce函數輸入這一個中間過程中所有的操作，稱之爲shuffle過程。在這個過程中，可以分爲map端和reduce端。
Map端：
1） 輸入數據進行分片之後，分片的大小跟原始的文件大小、文件塊的大小有關。每一個分片對應的一個map任務。
2） map任務在執行的過程中，會將結果存放到內存當中，當內存佔用達到一定的閾值（這個閾值是可以設置的）時，map會將中間的結果寫入到本地磁盤上，形成臨時文件這個過程叫做溢寫。
3） map在溢寫的過程中，會根據指定reduce任務個數分別寫到對應的分區當中，這就是partition過程。每一個分區對應的是一個reduce任務。並且在寫的過程中，進行相應的排序。在溢寫的過程中還可以設置conbiner過程，該過程跟reduce產生的結果應該是一致的，因此該過程應用存在一定的限制，需要慎用。
4） 每一個map端最後都只存在一個臨時文件作爲reduce的輸入，因此會對中間溢寫到磁盤的多個臨時文件進行合併Merge操作。最後形成一個內部分區的一個臨時文件。
Reduce端：
1） 首先要實現數據本地化，需要將遠程節點上的map輸出複製到本地。
2） Merge過程，這個合併過程主要是對不同的節點上的map輸出結果進行合併。
3） 不斷的複製和合並之後，最終形成一個輸入文件。Reduce將最終的計算結果存放在HDFS上。
針對MR2是新一代的MR的API。其主要是運行在Yarn的資源管理框架上。
3. Yarn（資源管理框架）
YARN （Yet Another Resource Negotiator，另一種資源協調者）是一種新的 Hadoop 資源管理器，它是一個通用資源管理系統，可爲上層應用提供統一的資源管理和調度，它的引入爲集羣在利用率、資源統一管理和數據共享等方面帶來了巨大好處。
YARN的基本思想是將JobTracker的兩個主要功能（資源管理和作業調度/監控）分離，主要方法是創建一個全局的ResourceManager（RM）和若干個針對應用程序的ApplicationMaster（AM）。這裏的應用程序是指傳統的MapReduce作業或作業的DAG（有向無環圖）。
該框架是hadoop2.x以後對hadoop1.x之前JobTracker和TaskTracker模型的優化，而產生出來的，將JobTracker的資源分配和作業調度及監督分開。該框架主要有ResourceManager，Applicationmatser，nodemanager。其主要工作過程如下：
- ResourceManager主要負責所有的應用程序的資源分配，
- ApplicationMaster主要負責每個作業的任務調度，也就是說每一個作業對應一個ApplicationMaster。
- Nodemanager是接收Resourcemanager 和ApplicationMaster的命令來實現資源的分配執行體。
ResourceManager在接收到client的作業提交請求之後，會分配一個Conbiner，這裏需要說明一下的是Resoucemanager分配資源是以Conbiner爲單位分配的。第一個被分配的Conbiner會啓動Applicationmaster，它主要負責作業的調度。Applicationmanager啓動之後則會直接跟NodeManager通信。
在YARN中，資源管理由ResourceManager和NodeManager共同完成，其中，ResourceManager中的調度器負責資源的分配，而NodeManager則負責資源的供給和隔離。ResourceManager將某個NodeManager上資源分配給任務（這就是所謂的“資源調度”）後，NodeManager需按照要求爲任務提供相應的資源，甚至保證這些資源應具有獨佔性，爲任務運行提供基礎的保證，這就是所謂的資源隔離。
在Yarn平臺上可以運行多個計算框架，如：MR，Tez，Storm，Spark等計算框架。
4. Sqoop（數據同步工具）
Sqoop是SQL-to-Hadoop的縮寫，主要用於傳統數據庫和Hadoop之間傳輸數據。數據的導入和導出本質上是Mapreduce程序，充分利用了MR的並行化和容錯性。其中主要利用的是MP中的Map任務來實現並行導入，導出。Sqoop發展到現在已經出現了兩個版本，一個是sqoop1.x.x系列，一個是sqoop1.99.X系列。對於sqoop1系列中，主要是通過命令行的方式來操作。
- sqoop1 import原理：從傳統數據庫獲取元數據信息(schema、table、field、field type)，把導入功能轉換爲只有Map的Mapreduce作業，在mapreduce中有很多map，每個map讀一片數據，進而並行的完成數據的拷貝。
- sqoop1 export原理：獲取導出表的schema、meta信息，和Hadoop中的字段match；多個map only作業同時運行，完成hdfs中數據導出到關係型數據庫中。
- Sqoop1.99.x是屬於sqoop2的產品，該款產品目前功能還不是很完善，處於一個測試階段，一般並不會應用於商業化產品當中。
5. Mahout（數據挖掘算法庫）
Mahout起源於2008年，最初是Apache Lucent的子項目，它在極短的時間內取得了長足的發展，現在是Apache的頂級項目。相對於傳統的MapReduce編程方式來實現機器學習的算法時，往往需要話費大量的開發時間，並且週期較長，而Mahout的主要目標是創建一些可擴展的機器學習領域經典算法的實現，旨在幫助開發人員更加方便快捷地創建智能應用程序。
Mahout現在已經包含了聚類、分類、推薦引擎（協同過濾）和頻繁集挖掘等廣泛使用的數據挖掘方法。除了算法，Mahout還包含數據的輸入/輸出工具、與其他存儲系統（如數據庫、MongoDB 或Cassandra）集成等數據挖掘支持架構。
mahout的各個組件下面都會生成相應的jar包。此時我們需要明白一個問題：到底如何使用mahout呢？
實際上，mahout只是一個機器學習的算法庫，在這個庫當中是想了相應的機器學習的算法，如：推薦系統（包括基於用戶和基於物品的推薦），聚類和分類算法。並且這些算法有些實現了MapReduce，spark從而可以在hadoop平臺上運行，在實際的開發過程中，只需要將相應的jar包即可。
6. Hbase（分佈式列存數據庫）
源自Google的Bigtable論文，發表於2006年11月，傳統的關係型數據庫是對面向行的數據庫。HBase是Google Bigtable克隆版，HBase是一個針對結構化數據的可伸縮、高可靠、高性能、分佈式和麪向列的動態模式數據庫。和傳統關係數據庫不同，HBase採用了BigTable的數據模型：增強的稀疏排序映射表（Key/Value），其中，鍵由行關鍵字、列關鍵字和時間戳構成。HBase提供了對大規模數據的隨機、實時讀寫訪問，同時，HBase中保存的數據可以使用MapReduce來處理，它將數據存儲和並行計算完美地結合在一起。
數據模型：Schema-->Table-->Column Family-->Column-->RowKey-->TimeStamp-->Value
Hbase表的特點
- 大：一個表可以有數十億行，上百萬列；
- 無模式：每行都有一個可排序的主鍵和任意多的列，列可以根據需要動態的增加，同一張表中不同的行可以有截然不同的列；
- 面向列：面向列（族）的存儲和權限控制，列（族）獨立檢索；
- 稀疏：空（null）列並不佔用存儲空間，表可以設計的非常稀疏；
- 數據多版本：每個單元中的數據可以有多個版本，默認情況下版本號自動分配，是單元格插入時的時間戳；
-
數據類型單一：Hbase中的數據都是字符串，沒有類型。
Hbase物理模型
每個column family存儲在HDFS上的一個單獨文件中，空值不會被保存。
Key 和 Version number在每個 column family中均有一份；
HBase 爲每個值維護了多級索引,即：”key, column family, column name, timestamp”，其物理存儲：- Table中所有行都按照row key的字典序排列；
- Table在行的方向上分割爲多個Region；
- Region按大小分割的，每個表開始只有一個region，隨着數據增多，region不斷增大，當增大到一個閥值的時候，region就會等分會兩個新的region，之後會有越來越多的region；
- Region是Hbase中分佈式存儲和負載均衡的最小單元，不同Region分佈到不同RegionServer上。、
- Region雖然是分佈式存儲的最小單元，但並不是存儲的最小單元。Region由一個或者多個Store組成，每個store保存一個columns family；每個Strore又由一個memStore和0至多個StoreFile組成，StoreFile包含HFile；memStore存儲在內存中，StoreFile存儲在HDFS上。
7. Hive（基於Hadoop的數據倉庫）
由facebook開源，最初用於解決海量結構化的日誌數據統計問題。
Hive定義了一種類似SQL的查詢語言(HQL),將SQL轉化爲MapReduce任務在Hadoop上執行。通常用於離線分析。
8. Spark
Spark 是專爲大規模數據處理而設計的快速通用的計算引擎。Spark是UC Berkeley AMP lab (加州大學伯克利分校的AMP實驗室)所開源的類Hadoop MapReduce的通用並行框架，Spark，擁有Hadoop MapReduce所具有的優點；但不同於MapReduce的是——Job中間輸出結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用於數據挖掘與機器學習等需要迭代的MapReduce的算法。
Spark 是一種與 Hadoop 相似的開源集羣計算環境，但是兩者之間還存在一些不同之處，這些有用的不同之處使 Spark 在某些工作負載方面表現得更加優越，換句話說，Spark 啓用了內存分佈數據集，除了能夠提供交互式查詢外，它還可以優化迭代工作負載。
Spark 是在 Scala 語言中實現的，它將 Scala 用作其應用程序框架。與 Hadoop 不同，Spark 和 Scala 能夠緊密集成，其中的 Scala 可以像操作本地集合對象一樣輕鬆地操作分佈式數據集。
儘管創建 Spark 是爲了支持分佈式數據集上的迭代作業，但是實際上它是對 Hadoop 的補充，可以在 Hadoop 文件系統中並行運行。通過名爲 Mesos 的第三方集羣框架可以支持此行爲。Spark 由加州大學伯克利分校 AMP 實驗室 (Algorithms, Machines, and People Lab) 開發，可用來構建大型的、低延遲的數據分析應用程序。
9. Zookeeper（分佈式協作服務）
源自Google的Chubby論文，發表於2006年11月，Zookeeper是Chubby克隆版，主要解決分佈式環境下的數據管理問題：統一命名，狀態同步，集羣管理，配置同步等。
Zookeeper的主要實現兩步：
- 選舉Leader
- 同步數據。這個組件在實現namenode的HA高可用性的時候，需要用到。
10. Flume（日誌收集工具）
Cloudera開源的日誌收集系統，具有分佈式、高可靠、高容錯、易於定製和擴展的特點。
它將數據從產生、傳輸、處理並最終寫入目標的路徑的過程抽象爲數據流，在具體的數據流中，數據源支持在Flume中定製數據發送方，從而支持收集各種不同協議數據。同時，Flume數據流提供對日誌數據進行簡單處理的能力，如過濾、格式轉換等。此外，Flume還具有能夠將日誌寫往各種數據目標（可定製）的能力。總的來說，Flume是一個可擴展、適合複雜環境的海量日誌收集系統。
11. Oozie
在Hadoop中執行的任務有時候需要把多個Map/Reduce作業連接到一起，這樣才能夠達到目的。在Hadoop生態圈中，有一種相對比較新的組件叫做Oozie，它讓我們可以把多個Map/Reduce作業組合到一個邏輯工作單元中，從而完成更大型的任務。
Oozie是一種Java Web應用程序，它運行在Java servlet容器——即Tomcat——中，並使用數據庫來存儲以下內容：
1、工作流定義
2、當前運行的工作流實例，包括實例的狀態和變量
Oozie工作流是放置在控制依賴DAG（有向無環圖 Direct Acyclic Graph）中的一組動作（例如，Hadoop的Map/Reduce作業、Pig作業等），其中指定了動作執行的順序。我們會使用hPDL（一種XML流程定義語言）來描述這個圖。
12. Pig（基於Hadoop的數據流系統）
由yahoo!開源，設計動機是提供一種基於MapReduce的ad-hoc(計算在query時發生)數據分析工具
定義了一種數據流語言—Pig Latin，將腳本轉換爲MapReduce任務在Hadoop上執行。通常用於進行離線分析。
13. Tez
Tez是一個針對Hadoop數據處理應用程序的新分佈式執行框架。Tez是Apache最新的支持DAG作業的開源計算框架，它可以將多個有依賴的作業轉換爲一個作業從而大幅提升DAG作業的性能。Tez並不直接面向最終用戶——事實上它允許開發者爲最終用戶構建性能更快、擴展性更好的應用程序。Hadoop傳統上是一個大量數據批處理平臺。但是，有很多用例需要近乎實時的查詢處理性能。還有一些工作則不太適合MapReduce，例如機器學習。Tez的目的就是幫助Hadoop處理這些用例場景。
Tez項目的目標是支持高度定製化，這樣它就能夠滿足各種用例的需要，讓人們不必藉助其他的外部方式就能完成自己的工作，如果 Hive和 Pig 這樣的項目使用Tez而不是MapReduce作爲其數據處理的骨幹，那麼將會顯著提升它們的響應時間。Tez構建在YARN之上，後者是Hadoop所使用的新資源管理框架。
14. Storm
Storm爲分佈式實時計算提供了一組通用原語，可被用於“流處理”之中，實時處理消息並更新數據庫。這是管理隊列及工作者集羣的另一種方式。 Storm也可被用於“連續計算”（continuous computation），對數據流做連續查詢，在計算時就將結果以流的形式輸出給用戶。它還可被用於“分佈式RPC”，以並行的方式運行昂貴的運算。
Storm可以方便地在一個計算機集羣中編寫與擴展複雜的實時計算，Storm用於實時處理，就好比 Hadoop 用於批處理。Storm保證每個消息都會得到處理，而且它很快——在一個小集羣中，每秒可以處理數以百萬計的消息。更棒的是你可以使用任意編程語言來做開發。