大資料生態圈技術框架總攬

1. hadoop 大資料基礎框架

Hadoop是一個由Apache基金會所開發的分散式系統基礎架構。

使用者可以在不瞭解分散式底層細節的情況下，開發分散式程式。充分利用叢集的威力進行高速運算和儲存。

具有可靠、高效、可伸縮的特點。

Hadoop的核心是YARN,HDFS和Mapreduce

下圖是hadoop生態系統，整合spark生態圈。在未來一段時間內，hadoop將於spark共存，hadoop與spark

都能部署在yarn、mesos的資源管理系統之上。

自己建的大資料學習交流群:199427210，群裡都是學大資料開發的，如果你正在學習大資料 ，小編歡迎你加入,大家都是軟體開發黨，不定期分享乾貨（只有大資料軟體開發相關的），包括我自己整理的一份最新的大資料進階資料和高階開發教程，歡迎進階中和進想深入大資料的小夥伴加入。

HDFS（Hadoop分散式檔案系統）

源自於Google的GFS論文，發表於2003年10月，HDFS是GFS克隆版。

HDFS是Hadoop體系中資料儲存管理的基礎。它是一個高度容錯的系統，能檢測和應對硬體故障，用於在低成本的通用硬體上執行。

HDFS簡化了檔案的一致性模型，通過流式資料訪問，提供高吞吐量應用程式資料訪問功能，適合帶有大型資料集的應用程式。

它提供了一次寫入多次讀取的機制，資料以塊的形式，同時分佈在叢集不同物理機器上。

Mapreduce（分散式計算框架）

源自於google的MapReduce論文，發表於2004年12月，Hadoop MapReduce是google MapReduce 克隆版。

MapReduce是一種分散式計算模型，用以進行大資料量的計算。它遮蔽了分散式計算框架細節，將計算抽象成map和reduce兩部分，

其中Map對資料集上的獨立元素進行指定的操作，生成鍵-值對形式中間結果。Reduce則對中間結果中相同“鍵”的所有“值”進行規約，以得到最終結果。

MapReduce非常適合在大量計算機組成的分散式並行環境裡進行資料處理。

Yarn(分散式資源管理器）

YARN是下一代MapReduce，即MRv2，是在第一代MapReduce基礎上演變而來的，主要是為了解決原始Hadoop擴充套件性較差，不支援多計算框架而提出的。

Yarn是下一代 Hadoop 計算平臺，yarn是一個通用的執行時框架，使用者可以編寫自己的計算框架，在該執行環境中執行。

用於自己編寫的框架作為客戶端的一個lib，在運用提交作業時打包即可。該框架為提供了以下幾個元件：

- 資源管理：包括應用程式管理和機器資源管理

- 資源雙層排程

- 容錯性：各個元件均有考慮容錯性

- 擴充套件性：可擴充套件到上萬個節點

2. HBASE（分散式列存資料庫）

源自Google的Bigtable論文，發表於2006年11月，HBase是Google Bigtable克隆版

HBase是一個建立在HDFS之上，面向列的針對結構化資料的可伸縮、高可靠、高效能、分散式和麵向列的動態模式資料庫。

HBase採用了BigTable的資料模型：增強的稀疏排序對映表（Key/Value），其中，鍵由行關鍵字、列關鍵字和時間戳構成。

HBase提供了對大規模資料的隨機、實時讀寫訪問，同時，HBase中儲存的資料可以使用MapReduce來處理，它將資料儲存和平行計算完美地結合在一起。

3. Zookeeper（分散式協作服務）

源自Google的Chubby論文，發表於2006年11月，Zookeeper是Chubby克隆版

解決分散式環境下的資料管理問題：統一命名，狀態同步，叢集管理，配置同步等。

Hadoop的許多元件依賴於Zookeeper，它執行在計算機叢集上面，用於管理Hadoop操作。

4. HIVE（資料倉儲）

由facebook開源，最初用於解決海量結構化的日誌資料統計問題。

Hive定義了一種類似SQL的查詢語言(HQL),將SQL轉化為MapReduce任務在Hadoop上執行。通常用於離線分析。

HQL用於執行儲存在Hadoop上的查詢語句，Hive讓不熟悉MapReduce開發人員也能編寫資料查詢語句，然後這些語句被翻譯為Hadoop上面的MapReduce任務。

5. Spark(記憶體DAG計算模型)

Spark是一個Apache專案，它被標榜為“快如閃電的叢集計算”。它擁有一個繁榮的開源社群，並且是目前最活躍的Apache專案。

最早Spark是UC Berkeley AMP lab所開源的類Hadoop MapReduce的通用的平行計算框架。

Spark提供了一個更快、更通用的資料處理平臺。和Hadoop相比，Spark可以讓你的程式在記憶體中執行時速度提升100倍，或者在磁碟上執行時速度提升10倍

6. Kafka（分散式訊息佇列）

Kafka是Linkedin於2010年12月份開源的訊息系統，它主要用於處理活躍的流式資料。

活躍的流式資料在web網站應用中非常常見，這些資料包括網站的pv、使用者訪問了什麼內容，搜尋了什麼內容等。

這些資料通常以日誌的形式記錄下來，然後每隔一段時間進行一次統計處理。

9.Flume（日誌收集工具）

Cloudera開源的日誌收集系統，具有分散式、高可靠、高容錯、易於定製和擴充套件的特點。

它將資料從產生、傳輸、處理並最終寫入目標的路徑的過程抽象為資料流，在具體的資料流中，資料來源支援在Flume中定製資料傳送方，從而支援收集各種不同協議資料。

同時，Flume資料流提供對日誌資料進行簡單處理的能力，如過濾、格式轉換等。此外，Flume還具有能夠將日誌寫往各種資料目標（可定製）的能力。

總的來說，Flume是一個可擴充套件、適合複雜環境的海量日誌收集系統。當然也可以用於收集其他型別資料.

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31561003/viewspace-2374951/，如需轉載，請註明出處，否則將追究法律責任。