Hadoop起源发展与概述

前言

Hadoop不是历史上第一个用于数据存储和分析的分布式系统，但hadoop发展壮大到今天必然有它过人的特性。接下来就探讨下Hadoop的相关知识。

---

一、Hadoop是什么？

Hadoop是一个对海量数据存储和海量数据分析计算的分布式系统。

Hadoop 1.x
            海量数据存储 ----> HDFS
            海量数据分析计算 ----> MapReduce
       Hadoop 2.x 增加
            资源调度系统 ----> Yarn

从hadoop最初的原型来看，hadoop已经远远超过了本身的批处理。从广义上来说，hadoop现在可以是指更广泛的一个hadoop生态了，而不仅仅是HDFS，MapReduce和Yarn。例如Hive，Hbase，Flume，Sqoop等等项目都属于这个生态。

二、Hadoop发展

Hadoop是道格·卡丁（Doug Cutting）创建的，Hadoop起源于开源网络搜索引擎Apache Nutch，后者本身也是Lucene项目的一部分。Nutch项目面世后，面对数据量巨大的网页显示出了架构的灵活性不够。当时正好借鉴了谷歌分布式文件系统，做出了自己的开源系统NDFS分布式文件系统。第二年谷歌又发表了论文介绍了MapReduce系统，Nutch开发人员也开发出了MapReduce系统。随后NDFS和MapReduce命名为Hadoop，成为了Apache顶级项目。

从Hadoop的发展历程来看，它的思想来自于google的三篇论文。

• GFS：Google File System 分布式处理系统 ------》解决存储问题
• Mapreduce：分布式计算模型 ------》对数据进行计算处理
• BigTable：解决查询分布式存储文件慢的问题，把所有的数据存入一张表中，通过牺牲空间换取时间

在之后的学习中，我会对这三篇论文进行总结和归纳。

三、Hadoop发行版本

Hadoop三大发行版本：Apache、Cloudera、Hortonworks。

1、Apache最基础的版本，适合入门学习，可以基于此做二次开发。

官网地址：http://hadoop.apache.org/releases.html

下载地址：https://archive.apache.org/dist/hadoop/common/

2、Cloudera在大型互联网企业中用的较多。

官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html

下载地址：https://archive.cloudera.com/cdh5/redhat/7/x86_64/cdh/

3、Hortonworks文档较好。

官网地址：https://hortonworks.com/products/data-center/hdp/

下载地址：https://hortonworks.com/downloads/#data-platform

四、Hadoop优势

• 高可靠性

因为hadoop假设计算元素和存储会出现故障，因为它维护多个数据结构和副本(默认3副本)，在出现故障时可以对失败的节点重新分布处理

• 高扩展性

在集群间分配任务数据，可方便的扩展数以千计的节点

思考：动态扩容如何实现？
                  对于添加少量的机器，可以通过手动配置或通过CDH添加
                  如果需要动态扩容上百台呢，而且可以根据数据量增长和减少的趋势，可以auto scaling。

• 高效性

在MapReduce的思想下，Hadoop时并行工作的，以加快任务处理速度

• 高容错性

自动保存多副本数据，并且能够自动将失败的任务重新分配

 

五、传统数仓与大数据存储

传统数据仓库和大数据存储概念

传统数据仓库：传统方式 DW（Data Warehouse）基于传统的关系型数据库（Oracle，Mysql）是将所有的东西共享，放在一起存储分析。

大数据存储：分布式，东西不共享，分别在不同的机器上完成存储分析，最后整合到一起。

目前传统数仓和大数据存储的区别已经渐渐模糊了。传统的关系型数据库借鉴了hadoop思想，也实现了分布式的数据存储和处理，而大数据存储也增加了索引和事物的特性。但就其存储的数据结构还是不同的，大数据存储更擅长非结构化数据和半结构化数据，而关系型数据库更擅长结构化数据

OLTP和OLCP

OLTP：联机事务处理(On-Line transaction Processing)

OLAP：联机分析处理(On-Line Analytical Processing)

OLTP是传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。OLTP系统强调数据库的内存效率，强调内存各种指标的命令率，强调绑定变量，强调并发操作。

OLAP是数据仓库系统的主要应用，支持复杂的分析操作，侧重决策支持，并支持提供直观易懂的查询结果，OLAP强调的数据分析，强调SQL执行市场，强调磁盘I/O,强调分区等。

区别

 

OLTP，联机事务处理，表示事务性非常高的系统，一般都是高可用的在线系统，以小的事务以及小的查询为主。OLTP出现瓶颈的地方在于CPU与磁盘子系统。OLTP系统也是一个数据块变化非常频繁，语句提交非常频繁的系统。

OLAP，联机分析处理，有时候也叫DSS决策支持系统，也就是我们所说的数据仓库，语句的执行量不是考核的标准，因为一条语句可能执行的时间会非常的长，读取的数据也会非常的多，所以，在这样的系统中，考核的标准往往是磁盘子系统的吞吐量(宽带)，如能达到多少MB/s流量。