【大数据】Hadoop 生态系统及其组件

1.Hadoop 生态系统的组成

本篇文章将向大家介绍 Hadoop 生态系统的不同组件。也正是因为这些组件，使得 Hadoop 如此强大。通过学习 HDFS 和 HDFS组件、MapReduce、YARN、Hive、Pig、HBase 和 HBase组件、HCatalog、Avro、Thrift、Drill、Mahout、Sqoop、Flume、Ambari、Zookeeper 和 OOzie 等 Hadoop 生态系统组件，深入了解 Hadoop 生态系统。

2.Hadoop 生态系统简介

2.1 HDFS

HDFS 是一个基于 Java 的 Hadoop 分布式文件系统（Hadoop Distributed File System），是 Hadoop 生态系统中最重要的组成部分。HDFS 是 Hadoop 的主要存储系统，为大数据提供可扩展的、高容错的、可靠的和具有成本效益的数据存储。

HDFS 被设计用来部署在低廉的硬件上，在许多安装中已经被设为默认配置。它提供高吞吐量来访问应用程序的数据，适合那些有着超大数据集的应用程序。Hadoop 通过类似 Shell 的命令与 HDFS 直接交互。

HDFS 有两个主要组件：NameNode 和 DataNode。

（1）NameNode

NameNode 也被称为主节点，但它并不存储实际的数据或数据集。NameNode 存储的是元数据，即文件的权限、某一上传文件包含哪些 Block 块、Bolck 块保存在哪些 DataNode 上等细节信息。它由文件和目录组成。

NameNode 的任务：

• 管理文件系统的命名空间；
• 控制客户端对文件的访问；
• 操作文件命名空间的文件或目录操作，如打开，关闭，重命名等。

（2）DataNode

DataNode 负责将实际数据存储在 HDFS 中，并负责来自文件系统客户的读写请求。在启动时，每个 Datanode 连接到其相应的 Namenode 并进行握手。命名空间 ID 和 DataNode 的软件版本的验证是通过握手进行的。当发现不匹配时，DataNode 会自动关闭。

DataNode 的任务

• DataNode 管理存储的数据。
• DataNode 同时还要执行块的创建、删除，以及来自 NameNode 的块复制指令。

2.2 MapReduce

MapReduce 是 Hadoop 生态系统的核心组件，提供数据处理。MapReduce 是一个软件框架，用于轻松编写应用程序，处理存储在 Hadoop 分布式文件系统中的大量结构化和非结构化数据。

MapReduce 程序具有并行性质，因此对于使用集群的多台机器进行大规模数据分析非常有用，提高了计算速度和可靠性。

MapReduce 的每个阶段都有键值对作为输入和输出。Map 函数获取一组数据并将其转换为另一组数据，其中各个元素被分解为元组（键/值对）。函数将 Map 的输出作为输入，并根据键来组合这些数据元组，相应地修改键的值。

MapReduce的特点

• 简单性：MapReduce 作业很容易运行。应用程序可以用任何语言编写，如 Java、C++ 和 Python。
• 可扩展性：MapReduce 可以处理 PB 级的数据。
• 速度：通过并行处理，需要几天才能解决的问题，通过 MapReduce 在几小时和几分钟内就能解决。
• 容错性：MapReduce 会照顾到故障。如果一份数据不可用，另一台机器有一份相同密钥对的副本，可以用来解决相同的子任务。

2.3 YARN

YARN（Yet Another Resource Negotiator）作为一个 Hadoop 生态系统的组件，它提供了资源管理。YARN 也是 Hadoop 生态系统中最重要的组件之一。YARN 被称为 Hadoop 的操作系统，因为它负责管理和监控工作负载。它允许多个数据处理引擎（如实时流和批处理）来处理存储在一个平台上的数据。

• 灵活性：除了 MapReduce（批处理），还能实现其他专门的数据处理模式，如交互式和流式。由于 YARN 的这一特点，其他应用程序也可以在 Hadoop2 中与 MapReduce 程序一起运行。
• 效率：由于许多应用程序在同一个集群上运行，因此，Hadoop 的效率提高了，而对服务质量没有太大影响。
• 共享：提供一个稳定、可靠、安全的基础，并在多个工作负载中共享操作服务。

2.4 Hive

Hive 是一个开源的数据仓库系统，用于查询和分析存储在 Hadoop 文件中的大型数据集。Hive 主要做三个功能：数据汇总、查询和分析。

Hive 使用的语言称为 HiveQL（HQL），与 SQL 类似。HiveQL 自动将类似 SQL 的查询翻译成 MapReduce 作业，并在Hadoop上执行。

Hive 的主要部分

• Metastore：元数据存储。
• 驱动：管理 HiveQL 语句的生命周期。
• 查询编译器：将 HiveQL 编译成有向无环图（DAG）。
• Hive 服务器：提供一个 Thrift 接口和 JDBC / ODBC 服务器。

2.5 Pig

Pig 是一个高级语言平台，用于分析和查询存储在 HDFS 中的巨大数据集。Pig 作为 Hadoop 生态系统的一个组成部分，使用 PigLatin 语言，它与 SQL 非常相似。它的任务包括加载数据，应用所需的过滤器并以所需的格式转储数据。对于程序的执行，Pig 需要 Java 运行环境。

Apache Pig 的特点

• 可扩展性：为了进行特殊的处理，用户可以创建自己的功能。
• 优化机会：Pig 允许系统自动执行优化，这使得用户可以关注语义而不是效率。
• 处理所有种类的数据：Pig 既能分析结构化的数据，也能分析非结构化的数据。

2.6 HBase

HBase 是 Hadoop 生态系统的一个组成部分，它是一个分布式数据库，被设计用来在可能有数十亿行和数百万列的表中存储结构化数据。HBase 是一个建立在 HDFS 之上，可扩展的、分布式的 NoSQL 数据库。HBase 提供实时访问 HDFS 中的数据的读取或写入。

HBase 有两个组件，即 HBase Master 和 RegionServer。

（1）HBase Master

• 它不是实际数据存储的一部分，但在所有 RegionServer 之间协商负载平衡。
• 维护和监控 Hadoop 集群。
• 执行管理（创建、更新和删除表的界面）。
• 控制故障转移。
• 处理DDL操作。

（2）RegionServer

• 处理来自客户端的读、写、更新、删除请求。
• RegionServer 进程在 Hadoop 集群的每个节点上运行。RegionServer 运行在 HDFS 的 DateNode 上。

2.7 HCatalog

HCatalog 是 Hadoop 的一个表和存储管理层。HCatalog 支持 Hadoop 生态系统中的不同组件，如MapReduce、Hive 和 Pig，以方便从集群中读写数据。HCatalog 是 Hive 的一个关键组件，使用户能够以任何格式和结构存储他们的数据。默认情况下，HCatalog 支持 RCFile、CSV、JSON、sequenceFile 和 ORC 文件格式。

2.8 Avro

Acro 是 Hadoop 生态系统的一部分，是一个最流行的数据序列化系统，为 Hadoop 提供 数据序列化和数据交换服务。这些服务可以一起使用，也可以独立使用。大数据可以使用 Avro 交换用不同语言编写的程序。

使用序列化服务，程序可以将数据序列化为文件或消息。它将数据定义和数据一起存储在一个消息或文件中，使得程序可以很容易地动态理解存储在 Avro 文件或消息中的信息。

• Avro 模式：它依靠模式进行序列化 / 反序列化。Avro 需要模式来进行数据的写入 / 读取。当 Avro 数据存储在一个文件中时，它的模式也随之存储。因此，文件可以在以后被任何程序处理。
• 动态类型化：它指的是在不生成代码的情况下进行序列化和反序列化。它是对代码生成的补充，在 Avro 中，静态类型的语言可以作为一种可选的优化。

2.9 Thrift

Thrift 是一个用于可扩展的跨语言服务开发的软件框架，同时是一种用于 RPC（远程程序调用）通信的接口定义语言。Hadoop 做了大量的 RPC 调用，因此有可能出于性能或其他原因使用 Thrift。

2.10 Drill

Hadoop 生态系统组件的主要目的是大规模数据处理，包括结构化和半结构化数据。Drill 是一个低延迟的 分布式查询引擎，旨在扩展到几千个节点并查询 PB 级的数据。Drill 是第一个具有无模式模型的分布式 SQL 查询引擎。

Drill 有专门的内存管理系统，可以消除垃圾回收，优化内存分配和使用。Drill 与 Hive 发挥得很好，允许开发者重用他们现有的 Hive 部署。

• 可扩展性：Drill 在各层提供可扩展的架构，包括查询层、查询优化和客户端 API。我们可以根据企业的具体需求来扩展任何一层。
• 灵活性：Drill 提供了一个分层的列式数据模型，可以表示复杂的、高度动态的数据，并允许高效的处理。
• 动态模式发现：Drill 不要求数据的模式或类型规范，以便开始查询执行过程。相反，Drill 以称为记录批次的单位开始处理数据，并在处理过程中即时发现模式。
• Drill 分散的元数据：与其他 SQL Hadoop 技术不同，Drill 没有集中的元数据要求。Drill 用户不需要为了查询数据而在元数据中创建和管理表。

2.11 Mahout

Mahout 是用于创建可扩展的机器学习算法和数据挖掘库的开源框架。一旦数据被存储在 HDFS 中，Mahout 提供了数据科学工具来自动寻找这些大数据集中有意义的模式。

Mahout的算法包括

• 聚类
• 协同过滤
• 分类
• 频繁模式挖掘

2.12 Sqoop

Sqoop 将数据从外部来源导入相关的 Hadoop 生态系统组件，如 HDFS、Hbase 或 Hive。它还可以将数据从 Hadoop 导出到其他外部来源。Sqoop 与关系型数据库一起工作，如 Teradata、Netezza、Oracle、MySQL。

Sqoop 的特点：

• 从大型机导入顺序数据集：Sqoop 满足了将数据从大型机转移到 HDFS 的日益增长的需求。
• 直接导入 ORC 文件：改善压缩和轻量级索引，提高查询性能。
• 平行数据传输：实现更快的性能和最佳的系统利用率。
• 高效的数据分析：通过将结构化数据和非结构化数据结合在读取数据湖的模式上，提高数据分析的效率。
• 快速的数据拷贝：从外部系统到 Hadoop。

2.13 Flume

Flume 有效地收集、汇总和移动大量的数据，并将其从原点送回 HDFS。它是容错和可靠的机制。Flume 允许数据从源头流入 Hadoop 环境。它使用一个简单的可扩展的数据模型，允许在线分析应用。使用 Flume，我们可以从多个服务器立即获得数据到 Hadoop。

2.14 Ambari

Ambari 是一个用于配置、管理、监控和保护 Apache Hadoop 集群的管理平台。由于 Ambari 提供了一致的、安全的操作控制平台，Hadoop 管理变得更加简单。

Ambari的特点

• 简化安装、配置和管理：Ambari 轻松有效地创建和管理大规模的集群。
• 集中的安全设置：Ambari 减少了在整个平台上管理和配置集群安全的复杂性。
• 高度的可扩展性和可定制性：Ambari 具有高度的可扩展性，可将定制服务纳入管理。
• 对集群健康的全面可视性：Ambari 通过整体的监控方法，确保集群的健康和可用。

2.15 Zookeeper

Zookeeper 用于维护配置信息、命名、提供分布式同步和提供组服务。Zookeeper 管理和协调一个大型的机器集群。

Zookeeper 的特点：

• 快速：Zookeeper 在对数据的读取比写入更常见的工作负载中是快速的。理想的读 / 写比率是 $10:1$。
• 有序：Zookeeper 维护所有事务的记录。

2.16 Oozie

Oozie 是一个工作流调度系统，用于管理 Apache Hadoop 作业。Oozie 将多个作业按顺序组合成一个逻辑的工作单元。Oozie 框架与 Apache Hadoop 栈完全集成，以 YARN 为架构中心，支持 Apache MapReduce、Pig、Hive 和 Sqoop 的 Hadoop 作业。

在 Oozie 中，用户可以创建工作流的有向无环图，它可以在 Hadoop 中并行和顺序运行。Oozie 是可扩展的，可以管理 Hadoop 集群中成千上万的工作流的及时执行。Oozie 也是非常灵活的。人们可以轻松地启动、停止、暂停和重新运行工作。它甚至可以跳过一个特定的故障节点，或在 Oozie 中重新运行它。

Oozie 作业有两种基本类型

• Oozie 工作流：它用于存储和运行由 Hadoop 作业组成的工作流，例如 MapReduce、pig、Hive。
• Oozie 协调员：它根据预定的时间表和数据的可用性来运行工作流作业。

---

参考：https://data-flair.training/blogs/hadoop-ecosystem-components/