大数据Hadoop生态圈-组件介绍Hadoop是目前应用最广泛的分布式大数据处理框架，具有可靠性、效率、可伸缩性等特点。
Hadoop的核心组件是HDFS、MapReduce。 随着处理任务的不同，各种组件层出不穷，丰富了Hadoop生态圈。 现在生态圈的结构大致如图所示。
根据服务的对象和层次结构，可以分为数据源层、数据传输层、数据存储层、资源管理层、数据计算层、任务调度层和业务模型层。 接下来，我们将简要介绍Hadoop生态圈中出现的相关组件。
1、HDFS (分布式文件系统) HDFS是整个hadoop系统的基础，负责数据的存储和管理。 HDFS具有容错能力强的特点，旨在部署在廉价的(低成本)硬件上。 它还提供了高吞吐量(high throughput )以访问APP应用程序中的数据，非常适合具有大数据集(large data set )的APP应用程序。
客户端：在隔离文件和访问HDFS时，首先与NameNode交互，获取目标文件的位置信息，然后与DataNode交互，读写数据
NameNode:master节点，每个HDFS群集一个，管理HDFS命名空间和块映射信息，配置相关拷贝信息，处理客户端请求。
数据节点：从属节点。 保存实际数据，并向NameNode报告状态信息。 默认文件备份在三个不同的DataNode中，以提供高可靠性和容错能力。
辅助命名：辅助命名，实现高可靠性，定期集成fsimage和fsedits，推送至命名； 紧急情况下辅助NameNode进行恢复，但不是NameNode的热备份。
Hadoop 2在HDFS中引入了两个重要的新功能——Federation和高可用性(HA )。
在Federation中，集群中出现多个NameNode，它们相互独立，并且不需要相互协调，各自可以分工管理自己的区域。 DataNode用作通用的块存储设备。 每个DataNode向群集中的所有NameNode注册，发送心跳报告，然后运行所有NameNode命令。
HDFS的高可用性消除了Hadoop 1中存在的单点故障，NameNode故障导致群集关闭。 HDFS的高可用性提供了故障切换功能，备用节点可以从出现故障的主NameNode接管工作，从而实现自动化。
2、MapReduce (分布式计算框架) MapReduce是一种基于磁盘的分布式并行批处理计算模型，用于处理大数据量的计算。 其中，Map根据数据集上的独立元素执行指定操作，生成键-值对格式的中间，Reduce对中间结果中同一键的所有值进行规约化，得到最终结果。
job tracker :只有一个主节点管理所有任务、任务/任务监视、错误处理等，将任务分解为一系列任务，并分配给Tasktracker。
tack tracker :执行slave节点、Map task和Reduce task； 与Jobtracker交互并报告任务状态。
传递给Map task (分析每个数据记录，并将其传递给用户创建的map )函数以运行，并将输出结果写入本地磁盘(对于map—only作业，直接写入HDFS )。
reduce task :从map深入运行的结果中，远程读取输入数据，对数据进行排序，并将数据包传递给用户创建的reduce ()函数后执行。
3、分布式计算框架(Spark ) Spark是一种基于内存的分布式并行计算框架。 与MapReduce不同，——作业中间输出结果可以保存在存储器中，因此不需要读写HDFS。 因此，Spark适用于数据挖掘和机器学习等需要反复的MapReduce算法。
集群管理器：在标准模式下，在主节点上控制整个集群并监视工作器。 在YARN模式下为资源管理器
工作器节点：从节点中，负责控制计算节点，启动执行程序或驱动程序。
驱动程序：执行APP的main ()函数
执行程序：执行机构是为某个APP应用程序在工作节点上执行的过程
Spark将数据抽象为灵活的分布式数据集(RDD )，内部提供了大量库，包括Spark Core、Spark SQL、Spark Streaming、MLlib和GraphX。 开发者可以在同一APP应用程序中无缝组合使用这些库。
spark core :包括spark的基本功能； 特别是定义RDD在API、操作和两者中的行为。 其他Spark库构建在RDD和Spark Core上
spark SQL—提供用于通过Apache hive的SQL变体hive查询语言(HiveQL )与spark进行交互的API。 每个数据库表都被视为RDD，Spark SQL查询转换为Spark操作。
Spark Streaming :处理和控制实时数据流。 使用Spark Streaming时，程序的工作方式与普通RDD相同
一样处理实时数据，通过短时批处理实现的伪流处理。MLlib：一个常用机器学习算法库，算法被实现为对RDD的Spark操作。这个库包含可扩展的学习算法，比如分类、回归等需要对大量数据集进行迭代的操作。
GraphX：控制图、并行图操作和计算的一组算法和工具的集合。GraphX扩展了RDD API，包含控制图、创建子图、访问路径上所有顶点的操作
4、Flink（分布式计算框架）Flink是一个基于内存的分布式并行处理框架，类似于Spark，但在部分设计思想有较大出入。对 Flink 而言，其所要处理的主要场景就是流数据，批数据只是流数据的一个极限特例而已。
Flink VS Spark
Spark中，RDD在运行时是表现为Java Object，而Flink主要表现为logical plan。所以在Flink中使用的类Dataframe api是被作为第一优先级来优化的。但是相对来说在spark RDD中就没有了这块的优化了。
Spark中，对于批处理有RDD，对于流式有DStream，不过内部实际还是RDD抽象；在Flink中，对于批处理有DataSet，对于流式我们有DataStreams，但是是同一个公用的引擎之上两个独立的抽象，并且Spark是伪流处理，而Flink是真流处理。
5、Yarn/Mesos（分布式资源管理器）YARN是下一代MapReduce，即MRv2，是在第一代MapReduce基础上演变而来的，主要是为了解决原始Hadoop扩展性较差，不支持多计算框架而提出的。
Mesos诞生于UC Berkeley的一个研究项目，现已成为Apache项目，当前有一些公司使用Mesos管理集群资源，比如Twitter。与yarn类似，Mesos是一个资源统一管理和调度的平台，同样支持比如MR、steaming等多种运算框架。
6、Zookeeper（分布式协作服务）解决分布式环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等。
Hadoop的许多组件依赖于Zookeeper，它运行在计算机集群上面，用于管理Hadoop操作。
7、Sqoop（数据同步工具）Sqoop是SQL-to-Hadoop的缩写，主要用于传统数据库和Hadoop之前传输数据。数据的导入和导出本质上是Mapreduce程序，充分利用了MR的并行化和容错性。
Sqoop利用数据库技术描述数据架构，用于在关系数据库、数据仓库和Hadoop之间转移数据。
8、Hive/Impala（基于Hadoop的数据仓库）Hive定义了一种类似SQL的查询语言(HQL),将SQL转化为MapReduce任务在Hadoop上执行。通常用于离线分析。
HQL用于运行存储在Hadoop上的查询语句，Hive让不熟悉MapReduce开发人员也能编写数据查询语句，然后这些语句被翻译为Hadoop上面的MapReduce任务。
Impala是用于处理存储在Hadoop集群中的大量数据的MPP（大规模并行处理）SQL查询引擎。 它是一个用C ++和Java编写的开源软件。 与Apache Hive不同，Impala不基于MapReduce算法。 它实现了一个基于守护进程的分布式架构，它负责在同一台机器上运行的查询执行的所有方面。因此执行效率高于Apache Hive。
9、HBase（分布式列存储数据库）HBase是一个建立在HDFS之上，面向列的针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。
HBase采用了BigTable的数据模型：增强的稀疏排序映射表（Key/Value），其中，键由行关键字、列关键字和时间戳构成。
HBase提供了对大规模数据的随机、实时读写访问，同时，HBase中保存的数据可以使用MapReduce来处理，它将数据存储和并行计算完美地结合在一起。
10、Flume（日志收集工具）Flume是一个可扩展、适合复杂环境的海量日志收集系统。它将数据从产生、传输、处理并最终写入目标的路径的过程抽象为数据流，在具体的数据流中，数据源支持在Flume中定制数据发送方，从而支持收集各种不同协议数据。
同时，Flume数据流提供对日志数据进行简单处理的能力，如过滤、格式转换等。此外，Flume还具有能够将日志写往各种数据目标（可定制）的能力。
Flume以Agent为最小的独立运行单位，一个Agent就是一个JVM。单个Agent由Source、Sink和Channel三大组件构成
Source：从客户端收集数据，并传递给Channel。
Channel：缓存区，将Source传输的数据暂时存放。
Sink：从Channel收集数据，并写入到指定地址。
Event：日志文件、avro对象等源文件。
11、Kafka（分布式消息队列）Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。实现了主题、分区及其队列模式以及生产者、消费者架构模式。
生产者组件和消费者组件均可以连接到KafKa集群，而KafKa被认为是组件通信之间所使用的一种消息中间件。KafKa内部氛围很多Topic（一种高度抽象的数据结构），每个Topic又被分为很多分区（partition），每个分区中的数据按队列模式进行编号存储。被编号的日志数据称为此日志数据块在队列中的偏移量（offest），偏移量越大的数据块越新，即越靠近当前时间。生产环境中的最佳实践架构是Flume+KafKa+Spark Streaming。
12、Oozie（工作流调度器）Oozie是一个可扩展的工作体系，集成于Hadoop的堆栈，用于协调多个MapReduce作业的执行。它能够管理一个复杂的系统，基于外部事件来执行，外部事件包括数据的定时和数据的出现。
Oozie工作流是放置在控制依赖DAG（有向无环图 Direct Acyclic Graph）中的一组动作（例如，Hadoop的Map/Reduce作业、Pig作业等），其中指定了动作执行的顺序。
Oozie使用hPDL（一种XML流程定义语言）来描述这个图。