初识Hadoop（一）

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

1. HDFS：分布式文件系统
2. MAPREDUCE：分布式运算编程框架
3. YARN： 运算资源调度系统
4. HIVE：基于大数据技术（文件系统+运算框架）的Sql数据仓库工具
5. ZOOKEEPER：分布式协调服务基础组件
6. HBASE：基于Hadoop的分布式海量数据库
7. MaHout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
8. Oozie：工作流调度框架
9. Sqoop：数据导入导出工具
10. Flume：日志数据采集框架

数据处理流程

处理流程.png

1. 数据采集：定制开发采集程序，或使用开源框架FLUME
2. 数据预处理：定制开发MapReduce程序，运行于Hadoop集群上
3. 数据仓库技术：基于hadoop之上的Hive
4. 数据导出：基于hadoop的sqoop数据导入导出工具
5. 数据可视化：定制开发web程序，或使用kettle等产品
6. 流程调度：hadoop生态圈中的oozie工具或其他开源产品