Hadoop01【介绍】

什么是Hadoop

官网:http://hadoop.apache.org/ 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:

1. HDFS（分布式文件系统）
2. YARN（运算资源调度系统）
3. MAPREDUCE（分布式运算编程框架）

广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈

在这里插入图片描述

重点组件

Hadoop产生的背景

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。 bigTable
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。

Hadoop应用案例

新浪数据应用平台 https://www.yqt365.com/goToNewGeneralizeMain.action?searchFrom=0&fromChannel=20 大数据的意义及应用 不在于掌握庞大的数据信息 而在于对这些含有意义的数据进行专业化处理为决策提供依据

在这里插入图片描述

大数据涉及领域

在这里插入图片描述

分布式系统概述

  分布式软件系统(Distributed Software Systems)，该软件系统会划分成多个子系统或模块，各自运行在不同的机器上，子系统或模块之间通过网络通信进行协作，实现最终的整体功能，比如分布式操作系统、分布式程序设计语言及其编译(解释)系统、分布式文件系统和分布式数据库系统等。

离线数据分析介绍

流程图解析 本案例跟典型的BI系统极其类似，整体流程如下

在这里插入图片描述

  由于本案例的前提是处理海量数据，因而，流程中各环节所使用的技术则跟传统BI完全不同

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

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.

在这里插入图片描述

项目最终效果   经过完整的数据处理流程后，会周期性输出各类统计指标的报表，在生产实践中，最终需要将这些报表数据以可视化的形式展现出来，本案例采用web程序来实现数据可视化 效果如下所示：

在这里插入图片描述