《Hadoop基础知识》课件.docxVIP

Hadoop基础知识

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统（DistributedFileSystem），其中一个组件是HDFS（HadoopDistributedFileSystem）。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（highthroughput）来访问应用程序的数据，适合那些有着超大数据集（largedataset）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streamingaccess）文件系统中的数据。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，而MapReduce则为海量的数据提供了计算。

1.起源

Hadoop起源于ApacheNutch项目，始于2002年，是ApacheLucene的子项目之一?[2]??。2004年，Google在“操作系统设计与实现”（OperatingSystemDesignandImplementation，OSDI）会议上公开发表了题为MapReduce：SimplifiedDataProcessingonLargeClusters（Mapreduce：简化大规模集群上的数据处理）的论文之后，受到启发的DougCutting等人开始尝试实现MapReduce计算框架，并将它与NDFS（NutchDistributedFileSystem）结合，用以支持Nutch引擎的主要算法?[2]??。由于NDFS和MapReduce在Nutch引擎中有着良好的应用，所以它们于2006年2月被分离出来，成为一套完整而独立的软件，并被命名为Hadoop。到了2008年年初，hadoop已成为Apache的顶级项目，包含众多子项目，被应用到包括Yahoo在内的很多互联网公司?[2]??。

2.优点

Hadoop是一个能够对大量数据进行分布式处理的软件框架。Hadoop以一种可靠、高效、可伸缩的方式进行数据处理?[3]?。

Hadoop是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理?[3]??。

Hadoop是高效的，因为它以并行的方式工作，通过并行处理加快处理速度?[3]??。

Hadoop还是可伸缩的，能够处理?PB?级数据?[3]??。

此外，Hadoop依赖于社区服务，因此它的成本比较低，任何人都可以使用?[3]??。

Hadoop是一个能够让用户轻松架构和使用的分布式计算平台。用户可以轻松地在Hadoop上开发和运行处理海量数据的应用程序。它主要有以下几个优点?[4]??：

1.高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖?[4]??。

2.高扩展性。Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中[4]??。

3.高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快?[4]??。

4.高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配?[4]??。

5.低成本。与一体机、商用数据仓库以及QlikView、YonghongZ-Suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低?[4]??。

Hadoop带有用Java语言编写的框架，因此运行在Linux生产平台上是非常理想的。Hadoop上的应用程序也可以使用其他语言编写，比如?C++?[4]??。

Hadoop大数据处理的意义

Hadoop得以在大数据处理应用中广泛应用得益于其自身在数据提取、变形和加载(ETL)方面上的天然优势。Hadoop的分布式架构，将大数据处理引擎尽可能的靠近存储，对例如像ETL这样的批处理操作相对合适，因为类似这样操作的批处理结果可以直接走向存储。Hadoop的MapReduce功能实现了将单个任务打碎，并将碎片任务(Map)发送到多个节点上，之后再以单个数据集的形式加载(Reduce)到数据仓库里?[4]??。

3.核心架构

Hadoop由许多元素构成。其最底部是HadoopDistributedFileSystem（HDFS），它存储Hadoop集群中所有存储节点上的文件。HDFS的上一层是MapReduce?引擎，该引擎由Job