数据产品经理的工作描述中，“了解hadoop”是一个高频出现的内容。大多数产品经理并没有直接与hadoop打交道的经验，本文希望能够帮助大家对Hadoop有一个基础的理解。

一、是什么

Hadoop是一个由Apache基金会所开发的分布式系统基础架构，它封装了复杂的分布式底层细节，使开发人员能够低门槛地开发分布式程序，充分利用集群的威力进行高速运算和存储。

Hadoop是一个针对于大数据的存取、计算、加工、分析，由多个工具构成的解决方案。

二、为了解决什么问题

任何新技术的提出，都是为了解决问题。那么，Hadoop是在什么样的情况下应运而生的，它又解决了什么问题呢？

随着互联网数据量增多，数据产生速度增快，数据类型多样性提高，之前的集中式的数据处理系统显露出了很多问题。

• 原有系统存储容量有限，无法承载每日TB甚至PB级的数据量。
• 原有系统适合处理简单数据，对于音视频、图片等多种类型的文件支持一般。
• 原有系统应对故障的能力弱。
• 原有系统对机器要求高，构建成本高。

Hadoop构建了可以运行在多个廉价小型机的分布式系统架构，以低成本的方案解决了上述问题，从而得到了行业中大量的应用。

三、工作原理

1. 示意图

Hadoop中的核心设计包括两点：HDFS和MapReduce。

图中白色块属于HDFS，黑色块属于MapReduce。

2. HDFS

HDFS（Hadoop Distributed File System）是一个高度容错性的分布式文件系统，可以被广泛的部署于廉价的PC上。它以流式访问模式访问应用程序的数据，这大大提高了整个系统的数据吞吐量，因而非常适合用于具有超大数据集的应用程序中。

一个典型的HDFS集群包含一个NameNode节点和多个DataNode节点，NameNode节点负责整个HDFS文件系统中的文件的元数据的保管和管理，集群中通常只有一台机器上运行NameNode实例，DataNode节点保存文件中的数据，集群中的机器分别运行一个DataNode实例。

在HDFS中，NameNode节点被称为名称节点，DataNode节点被称为数据节点。DataNode节点通过心跳机制与NameNode节点进行定时的通信。

NameNode ：

可以看作是分布式文件系统中的管理者，存储文件系统的meta-data，主要负责管理文件系统的命名空间，集群配置信息，存储块的复制。

Secondary NameNode：

帮助 NameNode 收集文件系统运行的状态信息 。

DataNode ：

是文件存储的基本单元，它存储文件块在本地文件系统中，保存了文件块的meta-data，同时周期性的发送所有存在的文件块的报告给NameNode。

3. MapReduce

MapReduce是一种编程模型，用于大规模数据集的并行运算。Map（映射）和Reduce（化简），采用分而治之思想，先把任务分发到集群多个节点上，并行计算，然后再把计算结果合并，从而得到最终计算结果。

举个通俗的例子：

我们要数图书馆中的所有书，你数1号书架，我数2号书架，这就是“Map”。我们人越多，数书就更快。

现在我们到一起，把所有人的统计数加在一起，这就是“Reduce”。

用户提交任务给JobTracer，JobTracer把对应的用户程序中的Map操作和Reduce操作映射至TaskTracer节点中；输入模块负责把输入数据分成小数据块，然后把它们传给Map节点；Map节点得到每一个key/value对，处理后产生一个或多个key/value对，然后写入文件；Reduce节点获取临时文件中的数据，对带有相同key的数据进行迭代计算，然后把终结果写入文件。

JobTracker：

当有任务提交到 Hadoop 集群的时候负责 Job 的运行,负责调度多个 TaskTracker 。

TaskTracker：

负责某一个 map 或者 reduce 任务 。

四、优缺点

1. 优势

1. 大数据文件，非常适合上T级别的大文件或者一堆大数据文件的存储，如果文件只有几个G甚至更小就没啥意思了。
2. 文件分块存储，HDFS会将一个完整的大文件平均分块存储到不同计算器上，它的意义在于读取文件时可以同时从多个主机取不同区块的文件，多主机读取比单主机读取效率要高得多。
3. 流式数据访问，一次写入多次读写，这种模式跟传统文件不同，它不支持动态改变文件内容，而是要求让文件一次写入就不做变化，要变化也只能在文件末添加内容。
4. 廉价硬件，HDFS可以应用在普通PC机上，这种机制能够让给一些公司用几十台廉价的计算机，就可以撑起一个大数据集群。
5. 硬件故障，HDFS认为所有计算机都可能会出问题，为了防止某个主机失效读取不到该主机的块文件，它将同一个文件块副本分配到其它某几个主机上，如果其中一台主机失效，可以迅速找另一块副本取文件。

2. 缺陷

HDFS不适合用在：要求低时间延迟数据访问的应用，存储大量的小文件，多用户写入，任意修改文件。

五、适用场景

搜索、日志处理、推荐系统、数据分析、视频图像分析、数据保存等。

六、生态

• 部署，配置和监控：Ambari，Whirr
• 监控管理工具：Hue, karmasphere, eclipse plugin, cacti, ganglia
• 数据序列化处理与任务调度：Avro, Zookeeper
• 数据收集：Fuse，Webdav，Chukwa，Flume， Scribe ， Nutch
• 数据存储：HDFS
• 类SQL查询数据仓库：Hive
• 流式数据处理：Pig
• 并行计算框架：MapReduce， Tez
• 数据挖掘和机器学习：Mahout
• 列式存储在线数据库：HBase
• 元数据中心：HCatalog （可以和Pig，Hive ,MapReduce等结合使用）
• 工作流控制：Oozie，Cascading
• 数据导入导出到关系数据库：Sqoop，Flume， Hiho
• 数据可视化：drilldown，Intellicus

本文由 @ 流风 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Pixabay，基于 CC0 协议