Hadoop源起与体系概述

Hadoop的源起——Lucene

Lucene是Doug Cutting开创的开源软件，用java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎

早期发布在个人网站和SourceForge，2001年年底成为apache软件基金会jakarta的一个子项目

Lucene的目的是为软件开发人员提供一个简单易用的工具包，以方便的在目标系统中实现全文检索的功能，或者是以此为基础建立起完整的全文检索引擎

对于大数据的场景，Lucene面对与Google同样的困难。迫使Doug Cutting学习和模仿Google解决这些问题的办法[可以说是Doug山寨了Google的解决方案]

Lucene有一个微缩版：Nutch

从lucene到nutch，从nutch到hadoop

2003-2004年，Google公开了部分GFS和Mapreduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升

后来Yahoo!招安Doug Cutting及其项目

Hadoop 于 2005 年秋天作为 Lucene的子项目 Nutch的 一部分正式引入Apache基金会。2006 年 3 月份，MapReduce 和 Nutch Distributed File System (NDFS) 分别被纳入称为 Hadoop 的项目中

Hadoop的名字来源于Doug Cutting儿子的玩具大象

目前Hadoop达到的高度

1.Hadoop成为实现云计算的事实标准的开源软件

2.其包含数十个具有强大生命力的子项目(如HBase,Hive,Pig等)

3.已经能在数千节点上运行，处理数据量和排序时间不断打破世界纪录

Hadoop子项目家族

MapReduce与HDFS: 为Google Map-Reduce与GFS的开源实现,构成了Hadoop技术的两大支柱.

Hbase: BigTable的开源实现,一种NoSQL[非关系型]数据库,是一种列式数据库[不同于传统的像Oracle这样的行式数据库],以列存储;主要面向数据分析,按列存储可以提高响应速度,并且减少IO量.

Pig: 一种轻量级编程语言,用类似命令的方式通过系统将该命令转变成为MapReduce的程序,支配MapReduce工作,然后将结果返回给用户.[类似于用户与MapReduce之间的一个转换器]

Hive: 相当于从SQL语言到MapReduce程序的一个映射器,面向于数据库工程师.[可将将Hive理解成为一个关系型数据库,但是功能较简单,大约只能支持到SQL92标准的一部分]

Chukwa: 相当于一个数据集成工具;

ZooKeper: 主要用于服务器结点进程间通信;

Hadoop架构

Rank:机架

1.NameNode[名字结点]

a) HDFS的守护程序

b) 纪录文件是如何分割成数据块的，以及这些数据块被存储到哪些节点上

c) 对内存和I/O进行集中管理

d) 是个单点，发生故障将使集群崩溃

2.Secondary Namenode[辅助名称结点]

a) 监控HDFS状态的辅助后台程序

b) 每个集群都有一个

c) 与NameNode进行通讯，定期保存HDFS元数据快照

d) 当NameNode故障可以作为备用NameNode使用

3.DataNode

a) 每台从服务器都运行一个

b) 负责把HDFS数据块读写到本地文件系统

HDFS := NameNode + Secondary NameNode + DataNode

4.JobTracker[作业跟踪器,位于主服务器]

a) 用于处理作业（用户提交代码）的后台程序

b) 决定有哪些文件参与处理，然后将Job切割成为Task并分配节点

c) 监控Task，重启失败的Task（于不同的节点）

d) 每个集群只有唯一一个JobTracker，位于Master节点

5.TaskTracker

a) 位于slave节点上，与datanode结合（代码与数据一起的原则）

b) 管理各自节点上的Task（由JobTracker分配）

c) 每个节点只有一个TaskTracker，但一个TaskTracker可以启动多个JVM，用于并行执行map或reduce任务

d) 与JobTracker交互[告诉JobTracker自己的情况]

6.Master与Slave

a) Master：Namenode、Secondary Namenode、Jobtracker。可以使用浏览器（用于观看管理界面），其它Hadoop工具;

b) Slave：Tasktracker、Datanode

c) Master并不一定是唯一的:一般来讲,将NameNode与DataNode放在同一台服务器,而将Secondary NameNode放置到另一台服务器.

Hadoop思想

Hadoop体系下的分析手段

1) 主流：Java程序

2) 轻量级的脚本语言：Pig

3) SQL技巧平稳过渡：Hive

4) NoSQL：HBase