我今天花了大半個下午的時間，寫了這篇hadoop的架構(gòu)，全篇都是以大白話的形式，也算是為后面更加詳細的每一部分開了個好頭吧，如果喜歡請點轉(zhuǎn)發(fā)和關(guān)注，如果有疑問，直接在評論里說出來，大家一起解決，才能進步。

一、概念

Hadoop誕生于2006年，一個分布式系統(tǒng)基礎(chǔ)架構(gòu)，由Apache基金會開發(fā)。Hadoop的主要目標是對分布式環(huán)境下的“大數(shù)據(jù)”以一種可靠、高效、可伸縮的方式處理。

Hadoop框架透明地為應(yīng)用提供可靠性和數(shù)據(jù)移動。它實現(xiàn)了名為MapReduce的編程范式：應(yīng)用程序被分割成許多小部分，而每個部分都能在集群中的任意節(jié)點上執(zhí)行或重新執(zhí)行。

Hadoop還提供了分布式文件系統(tǒng)，用以存儲所有計算節(jié)點的數(shù)據(jù)，這為整個集群帶來了非常高的帶寬。MapReduce和分布式文件系統(tǒng)的設(shè)計，使得整個框架能夠自動處理節(jié)點故障。它使應(yīng)用程序與成千上萬的獨立計算的電腦和PB級的數(shù)據(jù)。

?

二、組成

1.Hadoop的核心組件

?

分析：Hadoop的核心組件分為：HDFS（分布式文件系統(tǒng)）、MapRuduce（分布式運算編程框架）、YARN（運算資源調(diào)度系統(tǒng)）

2.HDFS的文件系統(tǒng)

?

HDFS

1.定義

整個Hadoop的體系結(jié)構(gòu)主要是通過HDFS（Hadoop分布式文件系統(tǒng)）來實現(xiàn)對分布式存儲的底層支持，并通過MR來實現(xiàn)對分布式并行任務(wù)處理的程序支持。

HDFS是Hadoop體系中數(shù)據(jù)存儲管理的基礎(chǔ)。它是一個高度容錯的系統(tǒng)，能檢測和應(yīng)對硬件故障，用于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(shù)據(jù)訪問，提供高吞吐量應(yīng)用程序數(shù)據(jù)訪問功能，適合帶有大型數(shù)據(jù)集的應(yīng)用程序。

?

MapReduce

1.定義

Hadoop MapReduce是google MapReduce 克隆版。

MapReduce是一種計算模型，用以進行大數(shù)據(jù)量的計算。其中Map對數(shù)據(jù)集上的獨立元素進行指定的操作，生成鍵-值對形式中間結(jié)果。Reduce則對中間結(jié)果中相同“鍵”的所有“值”進行規(guī)約，以得到最終結(jié)果。MapReduce這樣的功能劃分，非常適合在大量計算機組成的分布式并行環(huán)境里進行數(shù)據(jù)處理。

2.組成

?

分析：

（1）JobTracker

JobTracker叫作業(yè)跟蹤器，運行到主節(jié)點（Namenode）上的一個很重要的進程，是MapReduce體系的調(diào)度器。用于處理作業(yè)（用戶提交的代碼）的后臺程序，決定有哪些文件參與作業(yè)的處理，然后把作業(yè)切割成為一個個的小task，并把它們分配到所需要的數(shù)據(jù)所在的子節(jié)點。

Hadoop的原則就是就近運行，數(shù)據(jù)和程序要在同一個物理節(jié)點里，數(shù)據(jù)在哪里，程序就跑去哪里運行。這個工作是JobTracker做的，監(jiān)控task，還會重啟失敗的task（于不同的節(jié)點），每個集群只有唯一一個JobTracker，類似單點的NameNode，位于Master節(jié)點

（2）TaskTracker

TaskTracker叫任務(wù)跟蹤器，MapReduce體系的最后一個后臺進程，位于每個slave節(jié)點上，與datanode結(jié)合（代碼與數(shù)據(jù)一起的原則），管理各自節(jié)點上的task（由jobtracker分配），

每個節(jié)點只有一個tasktracker，但一個tasktracker可以啟動多個JVM，運行Map Task和Reduce Task；并與JobTracker交互，匯報任務(wù)狀態(tài)，

Map Task：解析每條數(shù)據(jù)記錄，傳遞給用戶編寫的map(),并執(zhí)行，將輸出結(jié)果寫入本地磁盤(如果為map-only作業(yè)，直接寫入HDFS)。

Reducer Task：從Map Task的執(zhí)行結(jié)果中，遠程讀取輸入數(shù)據(jù)，對數(shù)據(jù)進行排序，將數(shù)據(jù)按照分組傳遞給用戶編寫的reduce函數(shù)執(zhí)行。

Hive

1.定義

Hive是基于Hadoop的一個數(shù)據(jù)倉庫工具，可以將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表，并提供完整的sql查詢功能，可以將sql語句轉(zhuǎn)換為MapReduce任務(wù)進行運行。

Hive是建立在 Hadoop 上的數(shù)據(jù)倉庫基礎(chǔ)構(gòu)架。它提供了一系列的工具，可以用來進行數(shù)據(jù)提取轉(zhuǎn)化加載（ETL），這是一種可以存儲、查詢和分析存儲在 Hadoop 中的大規(guī)模數(shù)據(jù)的機制。

Hive 定義了簡單的類 SQL 查詢語言，稱為 HQL，它允許熟悉 SQL 的用戶查詢數(shù)據(jù)。同時，這個語言也允許熟悉 MapReduce 開發(fā)者的開發(fā)自定義的 mapper 和 reducer 來處理內(nèi)建的 mapper 和 reducer 無法完成的復(fù)雜的分析工作。

2.組成

?

分析：Hive架構(gòu)包括：CLI（Command Line Interface）、JDBC/ODBC、Thrift Server、WEB GUI、Metastore和Driver(Complier、Optimizer和Executor)，這些組件分為兩大類：服務(wù)端組件和客戶端組件

3.Hive與傳統(tǒng)數(shù)據(jù)庫的異同

（1）查詢語言

由于 SQL 被廣泛的應(yīng)用在數(shù)據(jù)倉庫中，因此專門針對Hive的特性設(shè)計了類SQL的查詢語言HQL。熟悉SQL開發(fā)的開發(fā)者可以很方便的使用Hive進行開發(fā)。

（2）數(shù)據(jù)存儲位置

Hive是建立在Hadoop之上的，所有Hive的數(shù)據(jù)都是存儲在HDFS中的。而數(shù)據(jù)庫則可以將數(shù)據(jù)保存在塊設(shè)備或者本地文件系統(tǒng)中。

（3）數(shù)據(jù)格式

Hive中沒有定義專門的數(shù)據(jù)格式，數(shù)據(jù)格式可以由用戶指定，用戶定義數(shù)據(jù)格式需要指定三個屬性：列分隔符（通常為空格、”\t”、”\\\x001″）、行分隔符（”\n”）以及讀取文件數(shù)據(jù)的方法（Hive中默認有三個文件格式TextFile，SequenceFile以及RCFile）。

（4）數(shù)據(jù)更新

由于Hive是針對數(shù)據(jù)倉庫應(yīng)用設(shè)計的，而數(shù)據(jù)倉庫的內(nèi)容是讀多寫少的。因此，Hive中不支持

對數(shù)據(jù)的改寫和添加，所有的數(shù)據(jù)都是在加載的時候中確定好的。而數(shù)據(jù)庫中的數(shù)據(jù)通常是需要經(jīng)常進行修改的，因此可以使用INSERT INTO … VALUES添加數(shù)據(jù)，使用UPDATE … SET修改數(shù)據(jù)。

（5）索引

Hive在加載數(shù)據(jù)的過程中不會對數(shù)據(jù)進行任何處理，甚至不會對數(shù)據(jù)進行掃描，因此也沒有對數(shù)據(jù)中的某些Key建立索引。Hive要訪問數(shù)據(jù)中滿足條件的特定值時，需要暴力掃描整個數(shù)據(jù)，因此訪問延遲較高。

由于MapReduce的引入， Hive可以并行訪問數(shù)據(jù)，因此即使沒有索引，對于大數(shù)據(jù)量的訪問，Hive仍然可以體現(xiàn)出優(yōu)勢。數(shù)據(jù)庫中，通常會針對一個或者幾個列建立索引，因此對于少量的特定條件的數(shù)據(jù)的訪問，數(shù)據(jù)庫可以有很高的效率，較低的延遲。

由于數(shù)據(jù)的訪問延遲較高，決定了Hive不適合在線數(shù)據(jù)查詢。

（6）執(zhí)行

Hive中大多數(shù)查詢的執(zhí)行是通過Hadoop提供的MapReduce來實現(xiàn)的（類似select * from tbl的查詢不需要MapReduce）。而數(shù)據(jù)庫通常有自己的執(zhí)行引擎。

（7）數(shù)據(jù)規(guī)模

由于Hive建立在集群上并可以利用MapReduce進行并行計算，因此可以支持很大規(guī)模的數(shù)據(jù)；對應(yīng)的，數(shù)據(jù)庫可以支持的數(shù)據(jù)規(guī)模較小。

Hbase

1.定義

HBase – Hadoop Database，是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統(tǒng)，利用HBase技術(shù)可在廉價PC Server上搭建起大規(guī)模結(jié)構(gòu)化存儲集群。

HBase是Google Bigtable的開源實現(xiàn)，類似Google Bigtable利用GFS作為其文件存儲系統(tǒng)，HBase利用Hadoop HDFS作為其文件存儲系統(tǒng)；

Google運行MapReduce來處理Bigtable中的海量數(shù)據(jù)，HBase同樣利用Hadoop MapReduce來處理HBase中的海量數(shù)據(jù)；

Google Bigtable利用 Chubby作為協(xié)同服務(wù)，HBase利用Zookeeper作為協(xié)同服務(wù)。

2.組成

?

?

分析：從上圖可以看出：Hbase主要由Client、Zookeeper、HMaster和HRegionServer組成，由Hstore作存儲系統(tǒng)。

• Client

HBase Client使用HBase的RPC機制與HMaster和HRegionServer進行通信，對于管理類操作，Client與 HMaster進行RPC；對于數(shù)據(jù)讀寫類操作，Client與HRegionServer進行RPC

• Zookeeper

Zookeeper Quorum 中除了存儲了 -ROOT- 表的地址和 HMaster 的地址，HRegionServer 也會把自己以 Ephemeral 方式注冊到 Zookeeper 中，使得 HMaster 可以隨時感知到各個HRegionServer 的健康狀態(tài)。

三、Hadoop的應(yīng)用實例

1.回顧Hadoop的整體架構(gòu)

?

2.Hadoop的應(yīng)用——流量查詢系統(tǒng)

（1）流量查詢系統(tǒng)總體框架

?

（2）流量查詢系統(tǒng)總體流程

?

（3）流量查詢系統(tǒng)數(shù)據(jù)預(yù)處理功能框架

?

（4）流量查詢系統(tǒng)數(shù)據(jù)預(yù)處理流程

?

（5）流量查詢NoSQL數(shù)據(jù)庫功能框架

?

（6）流量查詢服務(wù)功能框架

?

（7）實時流計算數(shù)據(jù)處理流程圖

歡迎關(guān)注我的公眾號“商業(yè)智能研究”，私信回復(fù)“資料包”，即可領(lǐng)取大數(shù)據(jù)、數(shù)據(jù)中臺、商業(yè)智能、數(shù)據(jù)倉庫等6G精華資料！

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的都说Hadoop与大数据平台难懂？我就花了6分钟，但是看得明明白白的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。