概述

开源、分布式存储、分布式计算

大数据生态体系

• 特点：开源、社区活跃
• 囊括了大数据处理的方方面面
• 成熟的生态圈

推荐系统

应用场景

• 搭建大型数据仓库，PB级数据的存储、处理、分析、统计
• 日志分析
• 数据挖掘

核心组件

HDFS（分布式文件存储系统）

• 特点：扩展性、容错性、海量数据存储
• 将文件切分成指定大小（默认128M）的数据块并以多副本（默认3副本）的存储在多个机器上
• 数据切分、多副本、容错等操作对用户是透明的

架构

• 1个master（NameNode/NN）带n个slave（datanode/DN）
• 1个文件会被拆分成多个Block（blocksize=128M）
• NN：
  • 负责客户端请求响应
  • 负责元数据（文件名称、副本系数、block存放的DN）管理
• DN：
  • 存储用户的文件对应的数据块（block）
  • 定期向NN发送心跳信息，汇报本身及所有的block信息，健康状况

hdfs副本策略

Yarn（资源调度系统）

• 特点：扩展性、容错性（任务失败重试）、多框架资源统一调度 （比如spark、hivesql、hbase、storm）

• yarn：Yet another resource negotiator
• 负责整个集群资源的管理和调度

MapReduce（分布式计算框架）

• 特点：扩展性、容错性、海量离线数据处理
• 

Hadoop的优势

高可靠性

• 数据存储：数据块多副本
• 数据计算：重新调度作业计算

扩展性

• 存储/计算资源不够时，可以横向的线性扩展机器
• 一个集群可以包含数以千计的节点

其他

• 存储在廉价机器上，降低成本
• 成熟的生态圈

Hadoop常用发行版及选型

• Apache Hadoop（解决了单个框架的问题，联合使用时很多包冲突）
• CDH：Cloudera Distributed Hadoop（60~70%）
• HDP：Hortonworks Data PlatForm