认识Hadoop
从网上找的课程做的笔记，有些图是自己理解画的，可能不正确，可以作为参考，有疑问的地方请直接指出，共同交流。
Hadoop是由Apache基金会开发的一个分布式系统基础架构，主要解决海量数据的存储和海量数据的分析计算问题。
Hadoop发展历史
创始人：Doug Cutting
开发原由：实现与Google类似的全文搜索功能，在Lucene框架基础上进行优化升级，查询引擎和搜索引擎。
2001年底，Lucene成为Apache基金会的一个子项目。Lucene的问题：存储海量数据困难，检索海量数据速度慢
为解决Lucene短板，Doug Cutting借鉴Google的三篇论文，奠定了Hadoop的基础框架。分别是GFS、Map-Reduce、BigTable。对应到Hadoop里，分别是HDFS、MR、HBase。
2003-2004：Doug Cutting 等人实现DFS和MapReduce机制。
2005：Hadoop作业Lucene子项目Nutch的一部分正式引入Apache基金会。
2006.3： Map-Reduce和Nutch Distributed File System(NDFS)分别被纳入到Hadoop项目，Hadoop诞生。
Hadoop 发行版本
Apache Hadoop
最基础，最原始，入门友好。
Cloudera Hadoop
Cloudera 公司，2008年成立，推出CDH，集成了很多大数据框架，收费。
Hortonworks Hadoop
Hortonworks 公司，2011年成立，推出HDP，文档友好。收费。
Cloudera和Hortonworks合作(2018年，Hortonworks被cloudera收购)，推出新的版本: CDP。收费。
Transwarp Data Hub（TDH）
研发公司：星环科技
FusionInsight Hadoop
研发公司：华为
Hadoop优势
- 高可靠性
一份数据，多个节点上缓存。 - 高扩展性
可以动态添加、删除服务器。 - 高效性
计算任务并行工作。 - 高容错性
自动将失败的任务重新分配。
Hadoop组成
hadoop2.x相比hadoop1.x，把MapReduce的功能进行了拆分，资源调度抽出来封装成了Yarn，专门用于内存、CPU等资源调度，做到了程序功能高内聚、低耦合。
HDFS
Hadoop Distributed File System，分布式文件系统，在整个Hadoop系统中负责数据存储。一个文件可以被拆分成几份，存储在不同的服务器上。
NameNode(nn): 可以记住拆分后的文件，被存储在哪个服务器上。存储文件的元数据，如文件名、文件目录结构、文件属性(生成时间、副本数、文件权限)，以及每个文件的块列表和块所在的DataNode等。
DataNode(dn): 具体存储数据的服务器。在本地文件系统存储文件块数据，以及块数据的校验和。
Secondary NameNode(2NN)：辅助NameNode工作。每隔一段时间对NameNode元数据备份。可以防止NameNode挂掉导致集群瘫痪。
YARN
Yet Another Resource Negotiator，另一种资源协调者，是Hadoop的资源管理器。
ResourceManager(RM): 负责管理整个集群的资源，例如：CPU、内存、网络等。
NodeManager(NM)：负责管理单个节点上的资源。
ApplicationMaster(AM)：负责单个任务的运行。
Container：容器，相当于一台独立服务器，封装任务运行的资源。
MapReduce
MapReduce是负责Hadoop中的计算的部分，分为Map和Reduce。
Map阶段并行处理输入数据。
Reduce阶段对Map结果进行汇总。
举例，从Hadoop系统中找文件，这个过程如下图所示：
HDFS、YARN、MapReduce三者如何配合工作
参考资料
-
Hadoop入门
https://www.bilibili.com/video/BV1Qp4y1n7EN -
Apache Hadoop
官网地址：https://hadoop.apache.org/
下载地址：https://hadoop.apache.org/releases.html -
Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads.html
下载地址：https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html
