hadoop介绍

以下内容是我的学习笔记,网络课程的笔记。出处

Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。

HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求,可以以流的形式访问(streaming access)文件系统中的数据。

介绍hadoop就是需要先了解hadoop的使用场景,先熟悉一下下面的概念:

什么是大数据

基本概念

简单说就是 数据处理
在互联网技术发展到现今阶段,大量日常、工作等事务产生的数据都已经信息化,
人类产生的数据量相比以前有了爆炸式的增长,
以前的传统的数据处理技术已经无法胜任,需求催生技术,一套用来处理海量数据的软件工具应运而生,这就是大数据!
  • 处理海量数据的核心技术 *

海量数据存储:分布式 海量数据运算:分布式

这些核心技术的实现是不需要用户从零开始造轮子的 存储和运算,都已经有大量的成熟的框架来用

存储框架:

  1. HDFS——分布式文件存储系统(HADOOP中的存储框架)
  2. HBASE——分布式数据库系统
  3. KAFKA——分布式消息缓存系统(实时流式数据处理场景中应用广泛)

运算框架:

(要解决的核心问题就是帮用户将处理逻辑在很多机器上并行)

  1. MAPREDUCE—— 离线批处理/HADOOP中的运算框架
  2. SPARK —— 离线批处理/实时流式计算
  3. STORM —— 实时流式计算

辅助类的工具

(解放大数据工程师的一些繁琐工作):

  1. HIVE —— 数据仓库工具:可以接收sql,翻译成mapreduce或者spark程序运行
  2. FLUME——数据采集
  3. SQOOP——数据迁移
  4. ELASTIC SEARCH —— 分布式的搜索引擎

换个角度说, 大数据是:

  1. 有海量的数据
  2. 有对海量数据进行挖掘的需求
  3. 有对海量数据进行挖掘的软件工具(hadoop、spark、storm、flink、tez、impala......)

大数据在现实生活中的具体应用

  1. 数据处理的最典型应用:公司的产品运营情况分析
  2. 电商推荐系统:基于海量的浏览行为、购物行为数据,进行大量的算法模型的运算,得出各类推荐结论,以供电商网站页面来为用户进行商品推荐
  3. 精准广告推送系统:基于海量的互联网用户的各类数据,统计分析,进行用户画像(得到用户的各种属性标签),然后可以为广告主进行有针对性的精准的广告投放

什么是hadoop

Hadoop的框架最核心的设计就是:HDFS和MapReduce。HDFS为海量的数据提供了存储,则MapReduce为海量的数据提供了计算。

Hadoop解决哪些问题?

* 海量数据需要及时分析和处理
* 海量数据需要深入分析和挖掘
* 数据需要长期保存
* 海量数据存储的问题:
* 磁盘IO称为一种瓶颈,而非CPU资源
* 网络带宽是一种稀缺资源
* 硬件故障成为影响稳定的一大因素

hadoop中有3个核心组件:

  1. 分布式文件系统:HDFS —— 实现将文件分布式存储在很多的服务器上
  2. 分布式运算编程框架:MAPREDUCE —— 实现在很多机器上分布式并行运算
  3. 分布式资源调度平台:YARN —— 帮用户调度大量的mapreduce程序,并合理分配运算资源

hdfs整体运行机制

hdfs:分布式文件系统 hdfs有着文件系统共同的特征: 有目录结构,顶层目录是: / 系统中存放的就是文件 系统可以提供对文件的:创建、删除、修改、查看、移动等功能

hdfs跟普通的单机文件系统有区别:

  1. 单机文件系统中存放的文件,是在一台机器的操作系统中, hdfs的文件系统会横跨N多的机器 单机文件系统中存放的文件,是在一台机器的磁盘上 hdfs文件系统中存放的文件,是落在n多机器的本地单机文件系统中(hdfs是一个基于linux本地文件系统之上的文件系统)

hdfs的工作机制:

客户把一个文件存入hdfs,其实hdfs会把这个文件切块后,分散存储在N台linux机器系统中(负责存储文件块的角色:data node)<准确来说:切块的行为是由客户端决定的> 一旦文件被切块存储,那么,hdfs中就必须有一个机制,来记录用户的每一个文件的切块信息,及每一块的具体存储机器(负责记录块信息的角色是:name node) 为了保证数据的安全性,hdfs可以将每一个文件块在集群中存放多个副本(到底存几个副本,是由当时存入该文件的客户端指定的) 综述:一个hdfs系统,由一台运行了namenode的服务器,和N台运行了datanode的服务器组成!

我的博客即将入驻“云栖社区”,诚邀技术同仁一同入驻。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • docker拾遗-之再入坑

    若与
  • scala概述入门

    由于做大数据开发,使用最多的语言就是scala和python,java。 刚开始由于spark是scala开发的,就去学习了scala,然后看spark的源码。...

    若与
  • golang构建http服务

    除去细节,理解HTTP构建的网络应用只要关注两个端--客户端(client)和服务端(server),两个端的交互来自client的request,以及serv...

    若与
  • 【译】使用Apache Kafka构建流式数据平台(1)何为流式数据平台?

    前言:前段时间接触过一个流式计算的任务,使用了阿里巴巴集团的JStorm,发现这个领域值得探索,就发现了这篇文章——Putting Apache Kafka T...

    阿杜
  • 启动datanode时50010和50020端口被占用

    datanode无法启动,在datanode上查看启动日志发现,启动datanode时50010和50020端口被占用,导致datanode无法启动。 1 在d...

    闵开慧
  • NVH原始数据文件如何读取 Part1

    “工作中,我们常用的数采系统有:B&K, LMS, Head等,除其自身的软件(Pulse/Connect, Test Lab, Artemis)外,我们还会用...

    用户7573907
  • 3月5日数据动态早报 | 个人信息保护纳入了《电子商务法》草案

    数据动态早报,让您了解数据新变化、新创造和新价值。 ? ---- 一、通信行业数据动态 1 数字风暴来袭,移动运营商挖掘六大收入源。一是面向消费者的大数据分...

    陆勤_数据人网
  • 【钱塘号】大数据驱动中国从“制造大国”走向“制造强国”

    制造业是一个国家综合国力最重要的表现,在国民经济中占有重要份额,也是决定民众生活质量的重要条件。中国的制造业在改革开放30多年来取得了举世瞩目的成就,连续几年成...

    钱塘数据
  • 匈牙利算法(二分图最大匹配问题)

    匈牙利算法用于求解无权二分图(unweighted bipartite graph)的最大匹配(maximum matching)问题

    mathor
  • 大数据的五大关键技术

    大数据技术,就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量新的技术,它们成为大数据采集、存储、处理和展现的有力武器。 一、大数据接入...

    加米谷大数据

扫码关注云+社区

领取腾讯云代金券