社区首页 >专栏 >hadoop生态圈详解

hadoop生态圈详解

全栈程序员站长

发布于 2022-08-31 07:21:41

1.1K0

文章被收录于专栏：全栈程序员必看全栈程序员必看

大家好，又见面了，我是你们的朋友全栈君。

学习和使用hadoop有一年了，这里主要分享一下对hadoop整体上的理解，分门别类的介绍一下相关组件，最后提供了建议的学习路线，希望对hadoop的初学者有参考作用。

1. Hadoop核心件组有哪些? 广义hadoop指什么?

l 核心组件有：Hdfs、Yarn、MapReduce;

l 广义上指一个生态圈，泛指大数据技术相关的开源组件或产品，如hdfs、yarn、hbase、hive、spark、pig、zookeeper、kafka、flume、phoenix、sqoop。

2. Spark与hadoop之间有什么联系

l Spark也是一个生态圈，发展非很快，在计算方面比mapreduce要快很多倍，供了一个简单而丰富的编程模型，支持多种应用，包括ETL、机器学习、数据流处理、图形计算；

l Hadoop和Spark在某些方面有重叠，但组件之间都可以很好的协同作战。

3. 分门别类介绍其中详细组件

为了方便理解以下按照功能进行了分类，并且把较为流行的排在了前面介绍，列表如下：

分类	相关产品
文件系统	• HDFS,目前大量采用的分布式文件系统，是整个大数据应用场景的基础通用文件存储组件 • S3, Simple Storage Service简单存储服务，更好的可扩展性，内置的持久性，以及较低的价格
资源调度	• YARN,分布式资源调度，可以接收计算的任务把它分配到集群各节点处理，相当于大数据操作系统，通用性好，生态支持好； • Mesos，同YARN类似，偏向于资源的抽象和管理
计算框架	• Spark序列，有流计算、图计算、机器学习； • Flink，支持计算数据不断变化，即增量计算； • Storm，专注于流式计算，功能强大； • Mapreduce, 分布式计算基本计算框架，编程难度高，执行效率低
数据库	• Hbase，一种NoSQL列簇数据库，支持数十亿行数百万列大型数据储存和访问，尤其是写数据的性能非常好，数据读取实时性较好，提供一套API，不支持SQL操作，数据存储采用HDFS； • Cassandra，对大型表格和 Dynamo支持得最好； • Redis，运行异常快，还可应用于分布式缓存场景
SQL支持	• Spark SQL，由Shark、Hive发展而来的，以SQL方式访问数据源（如hdfs、hbase、S3、redis甚至关系统数据库等，下同）； • Phoenix，一套专注于SQL方式访问hbase的JDBC驱动，支持绝大部分SQL语法，支持二级索引，支持事务，低延时； • Hive，通过HQL（类似SQL）来统计分析生成查询结果，通过解析HQL生成可以Mapreduce上执行的任务，典型的应用场景是与hbase集成； • 其它：impala、pig等，都实现了类似的功能，解决了直接写map/reduce分析数据的复杂性，降低了数据分析工作者或开发人员使用大数据的门槛
其它工具	• 分布式协作zookeeper,可以理解为一个小型高性能的数据库，为生态圈中与很多组件提供发布订阅的功能，还可以监测节点是否失效（心跳检测），如HBase、Kafka中利用zookeeper存放了主从节点信息； • Kafka, 是一种分布式的，基于发布/订阅的消息系统,类似于消息对列的功能，可以接收生产者（如webservice、文件、hdfs、hbase等）的数据，本身可以缓存起来，然后可以发送给消费者（同上），起到缓冲和适配的作； • Flume,分布式的海量日志采集、聚合和传输的系统，主要作用是数据的收集和传输，也支持非常多的输入输出数据源； • Sqoop，主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql…)间进行数据的传递，可以将一个关系型数据库（例如： MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中