初识Hadoop（一）
2019-02-24 本文已影响0人
RalapHao
简介
起源于Nutch（全网搜索引擎），是apache开源框架，广义上来说，是一个更广泛的概念（Hadoop生态圈），主要作用是利用集群，根据用户自定义业务逻辑，对海量数据进行分布式处理，核心组件包括HDFS（分布式文件系统）、YARN（运算资源调度系统）、MAPREDUCE（分布式运算编程框架）。
Hadoop生态
Hadoop生态.png
- HDFS：分布式文件系统
- MAPREDUCE：分布式运算编程框架
- YARN： 运算资源调度系统
- HIVE：基于大数据技术（文件系统+运算框架）的Sql数据仓库工具
- ZOOKEEPER：分布式协调服务基础组件
- HBASE：基于Hadoop的分布式海量数据库
- MaHout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
- Oozie：工作流调度框架
- Sqoop：数据导入导出工具
- Flume：日志数据采集框架
数据处理流程
处理流程.png
- 数据采集：定制开发采集程序，或使用开源框架FLUME
- 数据预处理：定制开发MapReduce程序，运行于Hadoop集群上
- 数据仓库技术：基于hadoop之上的Hive
- 数据导出：基于hadoop的sqoop数据导入导出工具
- 数据可视化：定制开发web程序，或使用kettle等产品
- 流程调度：hadoop生态圈中的oozie工具或其他开源产品
