Hadoop简介

摘 要

当今大数据最火爆的一个名词就是Hadoop，那么Hadoop是什么呢？

Hadoop是什么

Hadoop是一个由Apache基金会的发布的开源的，可靠的，可扩展的，分布式的运算存储系统。用户可以在不了解分布式底层细节的情况下，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。

Hadoop可以解决什么问题

• 海量数据的存储（HDFS）
• 海量数据的分析（MapReduce）
• 资源管理调度（YARN）

Hadoop来源与历史

• Hapdoop是Google的集群系统的开源实现

-Google集群系统:

GFS(Google File System)  、MapReduce、BigTable

-Hadoop主要由HDFS(Hadoop Distributed File System即hadoop分布式文件系统）、MapReduce和Hbase组成。

• Hadoop的最初是为了解决Nutch的海量数据爬取和存储需要。
• Hadoop在2005年秋天作为Lucene的子项目Nutch的一部分正式引入Apache基金会。

Hadoop具体能做什么

hadoop擅长日志分析

• facebook就用Hive来进行日志分析，2009年时facebook就有非编程人员的30%的人使用HiveQL进行数据分析.
• 淘宝搜索中的自定义筛选也使用的Hive；利用Pig还可以做高级的数据处理，包括Twitter、LinkedIn 上用于发现您可能认识的人，可以实现类似com的协同过滤的推荐效果。淘宝的商品推荐也是！
• 在Yahoo！的40%的Hadoop作业是用pig运行的，包括垃圾邮件的识别和过滤，还有用户特征建模。（2012年8月25新更新，天猫的推荐系统是hive，少量尝试mahout！）

哪些公司使用了Hadoop

• Hadoop被公认是一套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的处理能力。几乎所有主流厂商都围绕Hadoop开发工具、开源软件、商业化工具和技术服务。

比较大型IT公司如EMC、Microsoft、Intel、Teradata、Cisco都明显增加了Hadoop方面的投入。

• 在淘宝：
  • 从09年开始，用于对海量数据的离线处理，例如对日志的分析，交易记录的分析
  • 规模从当初的3~4百台节点，增加到现在的一个集群有3000个节点，淘宝现在已经有2~3个这样的集群
  • 在支付宝的集群规模也有700台节点，使用Hbase对用户的消费记录可以实现毫秒级查询

Hadoop生态圈

Hadoop简介

• 这一切是如何开始的—Web上庞大的数据!
• 使用Nutch抓取Web数据
• 要保存Web上庞大的数据——HDFS应运而生
• 如何使用这些庞大的数据?
• 采用Java或任何的流/管道语言构建MapReduce框架用于编码并进行分析
• 如何获取Web日志，点击流，Apache日志，服务器日志等非结构化数据——fuse,webdav, chukwa, flume, Scribe
• Hiho和sqoop将数据加载到HDFS中，关系型数据库也能够加入到Hadoop队伍中
• MapReduce编程需要的高级接口——Pig, Hive, Jaql
• 具有先进的UI报表功能的BI工具- Intellicus
• Map-Reduce处理过程使用的工作流工具及高级语言
• 监控、管理hadoop，运行jobs/hive，查看HDFS的高级视图—Hue, karmasphere, eclipse plugin, cacti, ganglia
• 支持框架—Avro (进行序列化), Zookeeper (用于协同)
• 更多高级接口——Mahout, Elastic map Reduce
• 同样可以进行Hbase

hadoop1.0和hadoop2.0的对比

Hadoop特点

• 扩容能力（Scalable）：能可靠地（reliably）存储和处理千兆字节（PB）数据。
• 成本低（Economical）：可以通过普通机器组成的服务器群来分发以及处理数据。这些服务器群总计可达数千个节点。
• 高效率（Efficient）：通过分发数据，hadoop可以在数据所在的节点上并行地（parallel）处理它们，这使得处理非常的快速。
• 可靠性（Reliable）：hadoop能自动地维护数据的多份副本，并且在任务失败后能自动地重新部署（redeploy）计算任务。