【大数据】图解 Hadoop 生态系统及其组件

在了解 Hadoop 生态系统及其组件之前，我们首先了解一下 Hadoop 的三大组件，即 HDFS、MapReduce、YARN，它们共同构成了 Hadoop 分布式计算框架的 核心。

• HDFS（Hadoop Distributed File System）：HDFS 是 Hadoop 的 分布式文件系统，它是将大规模数据分散存储在多个节点上的基础。HDFS 主要负责数据的存储和管理，可以将大数据集分成多个数据块，并将这些数据块分配到不同的计算节点上存储，提高数据的可靠性和处理效率。

• MapReduce：MapReduce 是 Hadoop 的 分布式计算框架，它提供了一种简单的编程模型，通过将大规模数据分解成多个小任务并行处理，可以大大提高数据处理的效率。MapReduce 模型包括 Map 和 Reduce 两个阶段，其中 Map 阶段将数据分解成多个小块进行处理，Reduce 阶段将处理结果合并。

• YARN（Yet Another Resource Negotiator）：YARN 是 Hadoop 的 资源管理器，它负责为多个应用程序分配和管理计算资源，可以有效地提高计算资源的利用率。YARN 可以将集群中的计算资源划分为多个容器，为不同的应用程序提供适当的资源，并监控和管理各个应用程序的运行状态。

1.HDFS

HDFS 是 Hadoop 的分布式文件系统，旨在在廉价硬件上存储大型文件。它具有高度容错能力，并为应用程序提供高吞吐量。 HDFS 最适合那些拥有非常大数据集的应用程序。

Hadoop HDFS 文件系统提供 Master 和 Slave 架构。主节点运行 Namenode 守护进程，从节点运行 Datanode 守护进程。

2.MapReduce

MapReduce 是 Hadoop 的数据处理层，它将任务分成小块，并将这些小块分配给通过网络连接的许多机器，并将所有事件组装成最后的事件数据集。 MapReduce 所需的基本细节是键值对。所有数据，无论是否结构化，在通过 MapReduce 模型传递之前都需要转换为键值对。在 MapReduce 框架中，处理单元被移至数据，而不是将数据移至处理单元。

3.YARN

YARN 代表 Yet Another Resource Negotiator，它是 Hadoop 集群的资源管理器。 YARN 用于实现 Hadoop 集群中的资源管理和作业调度。 YARN 的主要思想是将作业调度和资源管理拆分到各个进程中进行操作。

YARN 提供了两个守护进程；第一个称为资源管理器（Resource Manager），第二个称为节点管理器（Node Manager）。这两个组件都用于处理 YARN 中的数据计算。资源管理器运行在 Hadoop 集群的主节点上，并协商所有应用程序中的资源，而节点管理器托管在所有从节点上。节点管理器的职责是监视容器、资源使用情况（例如 CPU、内存、磁盘和网络）并向资源管理器提供详细信息。

4.Hive

Hive 是 Hadoop 的 数据仓库 项目。 Hive 旨在促进非正式数据汇总、即席查询和大量数据的解释。借助 HiveQL，用户可以对 HDFS 中的数据集存储执行即席查询，并使用该数据进行进一步分析。 Hive还支持自定义的用户定义函数，用户可以使用这些函数来执行自定义分析。

让我们了解 Apache Hive 如何处理 SQL 查询：

• 用户将使用命令行或 Web UI 向驱动程序（例如 ODBC / JDBC）提交查询。
• 驱动程序将借助查询编译器来解析查询以检查语法 / 查询计划。
• 编译器将向元数据数据库发送元数据请求。
• 作为响应，Metastore 将向编译器提供元数据。
• 现在编译器的任务是验证规范并将计划重新发送给驱动程序。
• 现在驱动程序将向执行引擎发送执行计划。
• 该程序将作为映射缩减作业执行。执行引擎将作业发送到名称节点作业跟踪器，并为该作业分配一个存在于数据节点中的任务跟踪器，并在此处执行查询。
• 查询执行后，执行引擎将从数据节点接收结果。
• 执行引擎将结果值发送给驱动程序。
• 驱动程序会将结果发送到 Hive 接口（用户）。

5.Pig

Pig 由 Yahoo 开发，用于分析存储在 Hadoop HDFS 中的大数据。 Pig 提供了一个分析海量数据集的平台，该平台由用于通信数据分析应用程序的高级语言组成，并与用于评估这些程序的基础设施相链接。

Pig 具有以下关键属性：

• 优化机会：Pig 提供了查询优化，帮助用户专注于意义而不是效率。
• 可扩展性：Pig 提供了创建用户定义函数以进行特殊用途处理的功能。

6.Mahout

Mahout 是一个用于 创建机器学习应用程序的框架。它提供了一组丰富的组件，您可以通过选择的算法构建定制的推荐系统。 Mahout 的开发目的是提供执行、可扩展性和合规性。

以下是定义这些关键抽象的 Mahout 接口的重要包：

• DataModel
• UserSimilarity
• ItemSimilarity
• UserNeighborhood

7.HBase

HBase 是继 Google Bigtable 之后创建的分布式、开源、版本化、非关系型数据库。它是 Hadoop 生态系统的重要组件，利用 HDFS 的容错功能，提供对数据的实时读写访问。 HBase 尽管是数据库，但也可以称为数据存储系统，因为它不提供触发器、查询语言和二级索引等 RDBMS 功能。

HBase 具有以下功能：

• 它提供持续的模块化可扩展性。
• 它提供定期的读取和写入。
• 直观且可配置的表分片。
• RegionServer 之间的自动故障转移支持。
• 它提供中央基类，用于支持带有 Apache HBase 表的 Hadoop MapReduce 作业。
• 使用 Java API 进行客户端访问很简单。
• 查询谓词通过服务器端过滤器下推。
• 它提供了 Thrift 网关和 REST-ful Web 服务，支持 XML、Protobuf 和二进制数据编码选择。

8.Zookeeper

Zookeeper 充当 Hadoop 不同服务之间的协调者，用于维护配置信息、命名、提供分布式同步、提供群组服务。 Zookeeper 用于修复这些新部署在分布式环境中的应用程序的错误和竞争条件。

9.Sqoop

Sqoop 是一个数据传输工具，用于在 Hadoop 和关系数据库之间传输数据。它用于将数据从关系数据库管理系统（MySQL 或 Oracle）或大型机导入到 Hadoop（HDFS），并在 Hadoop MapReduce 中转换数据。它还用于将数据导出回 RDBMS。 Sqoop 使用 map-reduce 来导入和导出数据，因此它具有并行处理和容错特性。

10.Flume

Flume 是一种类似于 Sqoop 的日志传输工具，但它适用于非结构化数据（日志），而 Sqoop 用于结构化和非结构化数据。 Flume 是一个可靠、分布式且可用的系统，用于高效地收集、聚合大量日志数据并将其从许多不同的源移动到 HDFS。它不仅限于日志数据聚合，还可以用于传输大量事件数据。

Flume 具有以下三个组件：

• Source
• Channel
• Sink

11.Oozie

Oozie 是一个 工作流调度框架，用于调度 Hadoop Map / Reduce 和 Pig 作业。 Apache Oozie 工作流程是 Hadoop Map / Reduce 作业、Pig 作业等操作的集合，排列在控制依赖 DAG（有向无环图）中。从一个动作到另一个动作的 “控制依赖性” 表明，除非第一个动作完成，否则另一个动作不会开始。

Oozie 工作流有以下两个节点，即 控制流节点 和 操作节点。

• 控制流节点（Control Flow Nodes）：这些节点用于提供控制工作流执行路径的机制。

• 操作节点（Action Node）：操作节点提供了一种机制，工作流通过该机制触发计算 / 处理任务的执行，例如 Hadoop MapReduce、HDFS、Pig、SSH、HTTP 作业 。

12.Ambari

Ambari 用于配置、管理和监控 Apache Hadoop 集群。

它向系统管理员提供以下任务：

• Hadoop 集群的配置：它提供了一种在任意数量的节点上安装 Hadoop 服务的媒介。它还处理集群的 Hadoop 服务配置。

• Hadoop 集群的管理：它提供了一个中央控制来管理 Hadoop 服务，例如整个集群的启动、停止和重新配置。

• Hadoop 集群监控：它提供了一个用于监控 Hadoop 集群的仪表板（例如节点关闭、剩余磁盘空间不足等）。

13.Spark

Spark 是一个通用且快速的集群计算系统。它是一个非常强大的大数据工具。 Spark 提供了 Python、Scala、Java、R 等多种语言的丰富 API。 Spark 支持 Spark SQL、GraphX、MLlib、Spark Streaming、R 等高级工具。这些工具用于执行不同类型的操作，我们将在 Spark 部分中看到。