适合大数据的分布式存储与计算平台
l作者：Doug Cutting
l受Google三篇论文的启发
lApache
官方版本(1.0.4)
lCloudera
使用下载最多的版本，稳定，有商业支持，在Apache的基础上打上了一些patch。推荐使用。
lYahoo
Yahoo内部使用的版本，发布过两次，已有的版本都放到了Apache上，后续不在继续发布，而是集中在Apache的版本上。
Hadoop核心项目
lHDFS: Hadoop Distributed File System 分布式文件系统
lMapReduce：并行计算框架
HDFS的架构
l主从结构
•主节点，只有一个: namenode
•从节点，有很多个: datanodes
•
lnamenode负责：
•维护文件系统的目录结构
•管理文件与block之间关系，block与datanode之间关系
l
ldatanode负责：
•存储文件
•文件被分成block存储在磁盘上
•为保证数据安全，文件会有多个副本
MapReduce的架构
l主从结构
•主节点，只有一个: JobTracker
•从节点，有很多个: TaskTrackers
lJobTracker负责：
•接收客户提交的计算任务
•把计算任务分给TaskTrackers执行
•监控TaskTracker的执行情况
lTaskTrackers负责：
•执行JobTracker分配的计算任务
hadoop具体能干什么？
hadoop擅长日志分析，facebook就用Hive来进行日志分析，2009年时facebook就有非编程人员的30%的人使用HiveQL进行数据分析；淘宝搜索中的自定义筛选也使用的Hive；利用Pig还可以做高级的数据处理，包括Twitter、LinkedIn 上用于发现您可能认识的人，可以实现类似Amazon.com的协同过滤的推荐效果。淘宝的商品推荐也是！在Yahoo！的40%的Hadoop作业是用pig运行的，包括垃圾邮件的识别和过滤，还有用户特征建模。（2012年8月25新更新，天猫的推荐系统是hive，少量尝试mahout！）
名词解释
lHadoop, Apache开源的分布式框架。源自Google GFS,BigTable,MapReduce 论文。
== HDFS ==
lHDFS (Hadoop Distributed File System),Hadoop 分布式文件系统。
lNameNode,HDFS命名服务器,负责与DataNode文件元信息保存。
lDataNode,HDFS数据节点，负责存储数据存储并汇报给NameNode。
lSecondaryNamenode,NameNode的镜像备份节点
l
l==Map Reduce==
lJobTracker，hadoop的Map/Reduce调度器，负责与TackTracker通信分配计算任务并跟踪任务进度。
lTaskTracker,启动和管理Map和Reduce子任务的节点。
Hadoop试验集群部署结构:
Hadoop组件依赖关系:
为何需要 MapReduce|HDFS
诉求:
l海量数据需要及时分析和处理。[速度]
l海量数据需要深入分析和挖掘。[深度]
l数据需要长期保存 [数据资产]
Data processed by Google every month: 400 PB … in 2007
问题：
l磁盘IO成为一种瓶颈,而非CPU资源。
l网络带宽是一种稀缺资源
l硬件故障成为影响稳定的一大因素
l传统分布式编程模型[MPI],需要处理大量异常问题。
MapReduce|HDFS 如何解决?
MapReduce+HDFS思想:
l尽可能移动计算到数据端,而非移动数据到计算端。
l硬件和组件的故障是一种常态。
MapReduce 思想:
l分而治之,化整为零
l排序优化,降低内存
HDFS思想:
l文件单次写入,并多次读取。
l文件副本,分片保存 (64M一个块/ 分3份保存)
l顺序写入,流式顺序读取
l面向大文件存储,而非小文件
l系统吞吐量比反应时间更重要
哪些公司使用hadoop
lHadoop被公认是一套行业大数据标准开源软件，在分布式环境下提供了海量数据的处理能力。几乎所有主流厂商都围绕Hadoop开发工具、开源软件、商业化工具和技术服务。今年大型IT公司，如EMC、Microsoft、Intel、Teradata、Cisco都明显增加了Hadoop方面的投入
hadoop在淘宝
l从09年开始，用于对海量数据的离线处理，例如对日志的分析，交易记录的分析等
l规模从当初的3~4百台节点，增加到现在的一个集群有3000个节点，淘宝现在已经有2~3个这样的集群
l在支付宝的集群规模也有700台节点，使用Hbase对用户的消费记录可以实现毫秒级查询
&
集中存储和计算的主要瓶颈
Hadoop和虚拟化的差异点
Hadoop的特点
l扩容能力（Scalable）：能可靠地（reliably）存储和处理千兆字节（PB）数据。
l成本低（Economical）：可以通过普通机器组成的服务器群来分发以及处理数据。这些服务器群总计可达数千个节点。
l高效率（Efficient）：通过分发数据，hadoop可以在数据所在的节点上并行地（parallel）处理它们，这使得处理非常的快速。
l可靠性（Reliable）：hadoop能自动地维护数据的多份副本，并且在任务失败后能自动地重新部署（redeploy）计算任务。
版本
lApache
官方版本(2.4.1)
lCloudera
使用下载最多的版本，稳定，有商业支持，在Apache的基础上打上了一些patch。推荐使用。
lHDP(Hortonworks Data Platform)
Hortonworks公司发行版本。
hadoop核心
lCommon -- HADOOP RPC
lHDFS: Hadoop Distributed File System 分布式文件系统
lYARN: Yet Another Resource Negotiator
资源管理调度系统
lMapreduce：分布式运算框架
问题：怎样解决海量数据的存储？
HDFS的架构
主从结构 主节点， namenode 从节点，有很多个: datanode namenode负责： 接收用户操作请求 维护文件系统的目录结构 管理文件与block之间关系，block与datanode之间关系 datanode负责： 存储文件 文件被分成block存储在磁盘上 为保证数据安全，文件会有多个副本
问题：怎样解决海量数据的计算？
hadoop1.0和hadoop2.0的对比
Hadoop部署方式
l本地模式
l伪分布模式
l集群模式
伪分布模式安装步骤
伪分布模式安装步骤
l关闭防火墙
l修改ip
l修改hostname
l设置ssh自动登录
l安装jdk
l安装hadoop
Hadoop集群的物理分布
单节点物理结构
Hadoop部署方式
l本地模式
l伪分布模式
l集群模式
安装前准备软件
lVitualbox
lrhel-server-6.3-i386-dvd.iso
ljdk-6u24-linux-xxx.bin
lhadoop-1.1.2.tar.gz
伪分布模式安装步骤
l关闭防火墙
l修改ip
l修改hostname
l设置ssh自动登录
l安装jdk
l安装hadoop
修改hadoop配置文件
1.hadoop-env.sh
export JAVA_HOME=/usr/local/jdk/
2.core-site.xml
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://hadoop0:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/usr/local/hadoop/tmp</value>
</property>
</configuration>
&
3.hdfs-site.xml
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
4.mapred-site.xml
<configuration>
<property>
<name>mapred.job.tracker</name>
<value>hadoop0:9001</value>
</property>
</configuration>
浏览hadoop
&
练习：搭建伪分布环境
思考题
l培养目标是什么
lhadoop是什么
lhadoop的核心组成是什么，分别解释一下
l安装伪分布模式的步骤
lhadoop的目录包括哪些，分别解释一下
l如何运行jar包中的hadoop程序
常用linux命令