揭秘Hadoop生態(tài)圈

林琳

【摘 要】Hadoop的兩大核心是HDFS和YARN。Hadoop是一個軟件框架，能夠?qū)Ａ繑?shù)據(jù)進行分布式處理。Hadoop的特點是可靠、高效、可伸縮。

【關(guān)鍵詞】Hadoop；HDFS；YARN

0 引言

從誕生至今，Hadoop已經(jīng)發(fā)展成為一個龐大的與大數(shù)據(jù)相關(guān)的軟件生態(tài)系統(tǒng)。本文收集整理了跟Hadoop相關(guān)的Apache下的開源項目，主要是對 Hadoop生態(tài)系統(tǒng)有個初步的認(rèn)識。那么Hadoop生態(tài)系統(tǒng)都包括哪些內(nèi)容呢？

Hadoop生態(tài)系統(tǒng)主要包括分布式文件管理系統(tǒng)HDFS，分布式計算框架MapReduce，分布式協(xié)作服務(wù)Zookeeper，實時分布式數(shù)據(jù)庫Hbase，數(shù)據(jù)倉庫Hive，數(shù)據(jù)流處理Pig，數(shù)據(jù)挖掘Mahout，日志收集工具Flume，數(shù)據(jù)庫ETL工具Sqoop，安裝、部署、配置和管理工具Ambari。

Ambari（安裝、部署、配置和管理工具）

Zookeeper （分布式協(xié)作服務(wù)）

Hive（數(shù)據(jù)倉庫）

Pig（數(shù)據(jù)流處理）

Mahout（數(shù)據(jù)挖掘庫）

Flume（日志收集工具）

Hbase（實時分布式數(shù)據(jù)庫）

MapReduce（分布式計算框架）

Sqoop（數(shù)據(jù)庫ETL工具）

HDFS（分布式文件系統(tǒng)）

1 HDFS（Hadoop分布式文件系統(tǒng)）

HDFS全稱為Hadoop Distributed File System，這個概念源自于Google發(fā)表于2003年10月的GFS論文，HDFS是GFS克隆版，Hadoop和 HDFS 都是從GFS中派生的。

HDFS是一個高度容錯的系統(tǒng)，不僅可以在低成本的通用硬件上運行，還能檢測和應(yīng)對硬件故障，是Hadoop數(shù)據(jù)存儲管理的基礎(chǔ)。

通過流式數(shù)據(jù)訪問，HDFS提供高吞吐量應(yīng)用程序數(shù)據(jù)訪問功能，為跨多個機器存儲大型文件提供了一種解決方案，適合帶有大型數(shù)據(jù)集的應(yīng)用程序。

NameNode：是一個Master節(jié)點。在Hadoop 1.0中，NameNode是HDFS 集群的一個單點故障。Hadoop 2.0出現(xiàn)后，HDFS利用Zookeeper解決了這個問題。NameNode的主要功能是處理客戶端請求，管理HDFS的名稱空間和數(shù)據(jù)塊映射信息以及配置副本策略。

Secondary NameNode：Secondary NameNode并非NameNode必備。它只是用來輔助NameNode，分擔(dān)其工作量的，在某些緊急情況下，可輔助恢復(fù)NameNode。

DataNode：DataNode是一個 Slave節(jié)點，用來存儲數(shù)據(jù)，匯報存儲信息給NameNode。

Client：Client的作用是切分文件和訪問HDFS。它與NameNode交互時，能夠獲取文件位置信息，與DataNode交互，能夠讀取和寫入數(shù)據(jù)。

2 Mapreduce（分布式計算框架）

MapReduce是一種是使用集群的并行、分布式算法處理大數(shù)據(jù)集的可編程計算模型，用以解決海量數(shù)據(jù)的計算問題。在大型集群中能夠起到簡化數(shù)據(jù)處理的作用。MapReduce遵循YARN的框架協(xié)議，能夠在YARN上可以運行。

在MapReduce中，Map負(fù)責(zé)對數(shù)據(jù)集上的獨立元素進行指定操作，形成中間結(jié)果鍵值對。Reduce負(fù)責(zé)對中間結(jié)果中相同“鍵”的所有“值”進行規(guī)約，得到最終結(jié)果。MapReduce這樣的功能劃分，非常適合在分布式并行環(huán)境里進行數(shù)據(jù)處理。

JobTracker：唯一一個Master節(jié)點，管理所有作業(yè)和錯誤處理，將任務(wù)分解成一系列子任務(wù)，并分派給TaskTracker。

TaskTracker：Slave節(jié)點，向JobTracker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。

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)進行排序后分組傳遞給用戶編寫的reduce函數(shù)執(zhí)行。

3 Hbase（分布式列存數(shù)據(jù)庫）

HBase是一個構(gòu)建在HDFS上的分布式列存儲系統(tǒng)。HBase利用MapReduce來處理海量數(shù)據(jù)，將數(shù)據(jù)存儲和并行計算完美地結(jié)合在一起。Bigtable使用Chubby服務(wù)，而HBase利用Zookeeper作為對應(yīng)。和傳統(tǒng)關(guān)系數(shù)據(jù)庫不同，HBase采用了BigTable的數(shù)據(jù)模型，增強的稀疏排序映射表，是一個針對結(jié)構(gòu)化數(shù)據(jù)的動態(tài)模式數(shù)據(jù)庫，具有可伸縮、高可靠、高性能、分布式和面向列的特性。從邏輯上講，HBase將數(shù)據(jù)按照表、行和列進行存儲。與hadoop一樣，Hbase目標(biāo)主要依靠橫向擴展，通過不斷增加服務(wù)器來增加計算和存儲能力。HBase是Hadoop生態(tài)系統(tǒng)中的重要一員，主要用于海量結(jié)構(gòu)化數(shù)據(jù)存儲。

HBase提供了對大規(guī)模數(shù)據(jù)的隨機、實時讀寫訪問。

Hbase的數(shù)據(jù)模型

Schema-->Table-->Column

Family-->Column-->RowKey-->TimeStamp-->Value

RowKey：是表中每條記錄的“主鍵”，方便快速查找。

Column Family：列族，包含一個或者多個相關(guān)列。

Column：屬于某一個columnfamily，每條記錄可動態(tài)添加。

Version Number：類型為Long，默認(rèn)值是系統(tǒng)時間戳，可由用戶自定義。

Value（Cell）：Byte array

4 Zookeeper（分布式協(xié)作服務(wù)）

Zookeeper是一個針對大型分布式系統(tǒng)的可靠協(xié)調(diào)系統(tǒng)，用來解決分布式環(huán)境下的數(shù)據(jù)管理問題：如狀態(tài)同步，集群管理，配置維護、名字服務(wù)、分布式同步等。

ZooKeeper能夠配置信息維護，包括封裝關(guān)鍵服務(wù)，提供簡單易用的接口和功能穩(wěn)定的系統(tǒng)。在一個分布式的環(huán)境中，我們需要一個 Master 實例或存儲一些配置信息，來確保文件寫入的一致性等。Zookeeper提供了這樣一個高效可靠的協(xié)同工作系統(tǒng)。

Zookeeper的作用是，通過選舉，使集群中始終只有一個Master存在，實時監(jiān)控Region server的上線和下線信息。并實時通知給Master。

5 Hive（基于Hadoop的數(shù)據(jù)倉庫）

Hive定義了一種類似SQL的查詢語言（HQL），將SQL轉(zhuǎn)化為能在Hadoop上執(zhí)行的MapReduce任務(wù)。通常用于數(shù)據(jù)匯總，查詢和離線分析。最初用于解決日志數(shù)據(jù)統(tǒng)計問題。

6 Pig（基于Hadoop的數(shù)據(jù)流系統(tǒng)）

Pig在 Hadoop 分布式文件系統(tǒng)，HDFS，MapReduce中都能夠運行，使用 MapReduce來執(zhí)行數(shù)據(jù)處理。Pig提供了一個能夠在Hadoop并行執(zhí)行數(shù)據(jù)流的引擎。Pig 用Pig Latin語言來表達數(shù)據(jù)流，包括大量的傳統(tǒng)數(shù)據(jù)操作，也可以讓用戶開發(fā)自己的函數(shù)，查看，處理和編寫數(shù)據(jù)。也可以編寫一個或者多個的 MapReduce 作業(yè)，然后執(zhí)行。

7 Mahout（數(shù)據(jù)挖掘算法庫）

Mahout是一種基于MapReduce的機器學(xué)習(xí)庫和數(shù)學(xué)庫。

Mahout旨在創(chuàng)建一些可擴展的經(jīng)典算法的實現(xiàn)，能夠幫助開發(fā)人員更方便快捷地創(chuàng)建智能應(yīng)用程序。Mahout現(xiàn)在已經(jīng)包含了聚類、分類、協(xié)同過濾和頻繁集挖掘等數(shù)據(jù)挖掘方法。

Mahout起源于2008年，最初是Apache下的一個的子項目，在極短的時間內(nèi)飛速發(fā)展，現(xiàn)在已經(jīng)是Apache的頂級項目之一。

8 Sqoop（數(shù)據(jù)同步工具）

Sqoop是SQL-to-Hadoop的縮寫，主要用于在傳統(tǒng)數(shù)據(jù)庫和Hadoop之間進行數(shù)據(jù)傳輸。Sqoop充分利用了Mapreduce的并行化和容錯性，來進行數(shù)據(jù)的導(dǎo)入和導(dǎo)出，通常用于進行離線分析。

9 Flume（日志收集工具）

Flume是一個可擴展、開源的、適合復(fù)雜環(huán)境的海量日志收集系統(tǒng)。它具有分布式、高可靠、高容錯、易擴展的優(yōu)點。

它將數(shù)據(jù)從產(chǎn)生、傳輸、處理并最終寫入目標(biāo)的路徑的過程抽象為數(shù)據(jù)流，F(xiàn)lume支持收集各種不同協(xié)議數(shù)據(jù)。同時提供對日志數(shù)據(jù)進行簡單處理的能力，如過濾、格式轉(zhuǎn)換等。

【參考文獻】

[1]陸嘉恒.Hadoop實戰(zhàn)[M].機械工業(yè)出版社，2011，10.

[2]Tom White.Hadoop：The Definitive Guide[M].東南大學(xué)出版社，2011，5.

[責(zé)任編輯：田吉捷]