根据学校的PPT自己学习后整理的笔记（实时更新）
1.了解Hadoop
1.1 Hadoop是什么？
- 1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
- 2）主要解决，海量数据的存储和海量数据的分析计算问题。
- 3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。
1.2 Hadoop发展历史
- 1）Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优化升级，查询引擎和索引引擎。
- 2）2001年年底Lucene成为Apache基金会的一个子项目。
- 3）对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。
- 4）学习和模仿Google解决这些问题的办法 ：微型版Nutch。
- 5）可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）
markdown
GFS --->HDFS
Map-Reduce --->MR
BigTable --->HBase- 6）2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
- 7）2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
- 8）2006 年 3 月份，Map-Reduce和Nutch Distributed File System （NDFS）分别被纳入到 Hadoop 项目中，Hadoop就此正式诞生，标志着大数据时代来临。
- 9）名字来源于Doug Cutting儿子的玩具大象
Hadoop三大发行版本：Apache、Cloudera、Hortonworks。 Apache版本最原始（最基础）的版本，对于入门学习最好。2006 Cloudera内部集成了很多大数据框架，对应产品CDH。2008 Hortonworks文档较好，对应产品HDP。2011 Hortonworks现在已经被Cloudera公司收购，推出新的品牌CDP。
2.Hadoop优势
- 1）高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。
- 2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
- 3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
- 4）高容错性：能够自动将失败的任务重新分配。
3.Hadoop组成
3.1 Hadoop1.x、2.x、3.x区别
在Hadoop1.x时代，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。 在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度，MapReduce只负责运算。 Hadoop3.x在组成上没有变化。
| 层级 | Hadoop 1.x 组成 | Hadoop 2.x 组成 |
|---|---|---|
| 计算和资源调度 | MapReduce（计算+资源调度）🔵 | MapReduce（计算）🔴 YARN（资源调度）🔵 |
| 数据存储 | HDFS（数据存储）🟠 | HDFS（数据存储）🟠 |
| 辅助工具 | Common（辅助工具）🟢 | Common（辅助工具）🟢 |
3.2 Hadoop组成-HDFS
Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。
- 1）
NameNode（nn）：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。 - 2）
DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。 - 3）
Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。
3.3 Hadoop组成-YARN
Yet Another Resource Negotiator简称YARN ，另一种资源协调者，是Hadoop的资源管理器。
- 1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
- 2）NodeManager（NM）：单个节点服务器资源老大
- 3）ApplicationMaster（AM）：单个任务运行的老大
- 4）Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。
说明1：客户端可以有多个 说明2：集群上可以运行多个ApplicationMaster 说明3：每个NodeManager上可以有多个Container
3.4 Hadoop组成-MapReduce
MapReduce将计算过程分为两个阶段：Map和Reduce。（1）Map阶段并行处理输入数据（2）Reduce阶段对Map结果进行汇总
3.5 HDFS、YARN、MR三者关系
HDFS、YARN 和 MapReduce 是 Hadoop 生态系统的三大核心组件，它们各司其职又紧密协作，共同完成大规模数据的存储与计算任务。三者的关系可以概括为：
1. HDFS（分布式文件系统） - 数据存储层
- 角色：Hadoop 的存储基石
- 功能：
- 分布式存储原始数据（如日志、视频等）
- 通过数据分块（Block）和副本机制实现高容错
- 为 MapReduce 提供数据本地化（Data Locality）支持
- 协作关系：
- 存储 MapReduce 的输入数据和计算结果
- YARN 调度任务时会优先选择存有相关数据的节点（就近计算）
2. YARN（资源管理器） - 资源调度层
- 角色：Hadoop 的"操作系统"
- 功能：
- 统一管理集群资源（CPU、内存等）
- 协调多个计算框架（如 MapReduce、Spark 等）共享资源
- 通过 ResourceManager 和 NodeManager 实现动态资源分配
- 协作关系：
- 为 MapReduce 作业分配 Container（容器）资源
- 监控 MapReduce 任务执行状态
- 依赖 HDFS 存储作业的临时文件和日志
3. MapReduce（计算框架） - 计算层
- 角色：基于批处理的分布式计算模型
- 功能：
- 通过 Map 和 Reduce 两个阶段处理数据
- 自动处理故障恢复和任务重试
- 协作关系：
- 从 HDFS 读取输入数据，计算结果写回 HDFS
- 通过 YARN 申请资源运行
MapTask和ReduceTask - 利用 HDFS 的数据本地化特性减少网络传输
三者的协作流程示例（以单词统计为例）：
- 存储阶段：文本文件存入 HDFS，被自动切分为多个 Block（如 128MB/块）
- 资源申请：MapReduce 程序向 YARN 的
ResourceManager提交作业请求 - 任务调度：
- YARN 选择存储相关数据块的 NodeManager 启动 MapTask（数据本地化）
- 分配 Container 资源运行
ReduceTask进行汇总
- 结果存储：最终统计结果写回 HDFS
架构演进对比：
| 版本 | 架构特点 |
|---|---|
| Hadoop 1.x | MapReduce 同时负责计算和资源调度，与 HDFS 直接交互，存在单点瓶颈 |
| Hadoop 2.x | 引入 YARN 实现资源调度与计算分离，MapReduce 仅专注计算，扩展性显著提升 |
总结关系：
- HDFS 是地基（存储）
- YARN 是脚手架（资源协调）
- MapReduce 是建筑工人（计算）
三者共同构建起 Hadoop 大数据处理的完整解决方案，其中 YARN 的引入使 Hadoop 从单一计算框架升级为支持多计算范式（如 Spark、Flink）的资源平台。
