# 大数据Hadoop生态简介

# 大数据带来的挑战

数据量越来越大，种类越来越多，产生的速度越来越快

声明：参考华为的一篇文章

# Hadoop

• Apache开源项目，超始于2005年
• 针对解决数据量大，各类多，产生数据快的问题
• 强大的开源社区支持
• 日益丰富的生态系统

# HDFS

• HDFS是基于Google发布的GFS论文进行设计开发，运行在通用硬件上的分布式文件系统
• HDFS的特点
  • 高容错性：认为硬件总是不可靠的，所以每份数据都有备份文件
  • 高吞吐量：为大量数据访问的应用提供高吞吐量支持
  • 大文件存储：支持存储TB-PB级别的数据

# MapReduce

• MapReduce基于Google发布的分布式计算框架Map/Reduce论文设计开发，用于大规模数据的并行运算
• 特点
  • 易于编程：程序员仅需描述做什么，具体怎么做交由系统的执行框架处理

# Yarn

• Yarn是Hadoop2.0中的资源管理系统，它是一个通用的资源管理模块，可为各类应用程序进行资源管理和作业调度，除了提供MapReduce框架，还可以支持其他框架，比如Saprk、Storm等
• 特点
  • 良好的扩展性：可通过添加节点以扩展集群能力
  • 高容错性：通过计算迁移策略提高中集群的容错性

# Hive

• Hive是基于Hadoop的数据仓库软件，可以查询和管理PB级别的分布式数据。提供类SQL的HiveSQL语言将SQL查询转换为MapReduce任务实现数据处理

# 常见场景

• 数据清洗：数据抽取，数据加载，数据切换
• 非实时分析：日志分析，文本分析等
• 数据挖掘：用户行为分析，兴趣分析等

# HBase

• HBase是一个高可靠性、高性能、面向列、可伸缩的分布式数据库，提供少量数据存储功能，用来解决关系型数据库在处理海量数据时的局限性

# 常见场景

• 存储大表数据：表的规划可达到数十亿行以及数百万列
• 高效的随机读取
• 同时处理结构化和非结构化的数据

# Spark

• Spark是一种通用的高性能集群计算系统。既有类似于MR的颁式内存计算框架，也有类似Hive的类SQL查询，还提供了实时数据的处理引擎和机器学习的算法库

# 常见场景

• 快速的数据处理，ETL(抽取，转换，加载)
• 实时数据分析
• 数据挖掘和机器学习

# Kafka

• Kafkaa是一个高吞吐、分布式、基于发布订阅的消息系统，利用Kafka技术可在廉价的机器上搭建起大规模消息系统，适用于离线和在线的消息消费

# 常见场景

• 常规的消息收集
• 网站活性跟踪
• 聚合统计系统运营数据：如监控数据

# Strom

• Storm是一个分布式、实时计算框架，具有高度容错、低时延的优点

# 常见场景

• 实时分析：如实时处理日志处理、交通流量分析等
• 实时统计：如网站的实时访问统计、排序等
• 实时推荐：如实时广告定位、事件营销等

# Flume

• Flume是一个分布式、可靠和高可用的少量日志聚合的系统。支持在系统中定制各类数据发送方，用于收集数据然后写到各种数据接收方的能力。用户几乎不必进行任何额外开发即可使用

# 常见场景

• 从固定目录下采集日志信息到目的地：HDFS,HBase,Kafka
• 实时采集日志信息到目的地