什么是Hadoop
官网:http://hadoop.apache.org/
HADOOP是apache旗下的一套开源软件平台,HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理
HADOOP的核心组件有:
- 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）
广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈
重点组件
| 组件 | 说明 |
|---|---|
| HDFS | 分布式文件系统 |
| MAPREDUCE | 分布式运算程序开发框架 |
| HIVE | 基于大数据技术（文件系统+运算框架）的SQL数据仓库工具 |
| HBASE | 基于HADOOP的分布式海量数据库 |
| ZOOKEEPER | 分布式协调服务基础组件 |
| Mahout | 基于mapreduce/spark/flink等分布式运算框架的机器学习算法库 |
| Oozie | 工作流调度框架 |
| Sqoop | 数据导入导出工具 |
| Flume | 日志数据采集框架 |
Hadoop产生的背景
- HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。
- 2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。
分布式文件系统（GFS），可用于处理海量网页的存储
分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。
bigTable - Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。
Hadoop应用案例
新浪数据应用平台 https://www.yqt365.com/goToNewGeneralizeMain.action?searchFrom=0&fromChannel=20
大数据的意义及应用
不在于掌握庞大的数据信息
而在于对这些含有意义的数据进行专业化处理为决策提供依据
大数据涉及领域
分布式系统概述
??分布式软件系统(Distributed Software Systems)，该软件系统会划分成多个子系统或模块，各自运行在不同的机器上，子系统或模块之间通过网络通信进行协作，实现最终的整体功能，比如分布式操作系统、分布式程序设计语言及其编译(解释)系统、分布式文件系统和分布式数据库系统等。
离线数据分析介绍
流程图解析
本案例跟典型的BI系统极其类似，整体流程如下
??由于本案例的前提是处理海量数据，因而，流程中各环节所使用的技术则跟传统BI完全不同
- 数据采集：定制开发采集程序，或使用开源框架FLUME
- 数据预处理：定制开发mapreduce程序运行于hadoop集群
- 数据仓库技术：基于hadoop之上的Hive
- 数据导出：基于hadoop的sqoop数据导入导出工具
- 数据可视化：定制开发web程序或使用kettle等产品
整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品.
项目最终效果
??经过完整的数据处理流程后，会周期性输出各类统计指标的报表，在生产实践中，最终需要将这些报表数据以可视化的形式展现出来，本案例采用web程序来实现数据可视化
效果如下所示：
